不确定性下的硅光子神经网络建模
新兴技术
2020-12-22 v1 机器学习
光学
摘要
硅光子神经网络(SPNN)相较于数字电子神经网络在计算速度与能效上具有显著提升。然而,SPNN 的能效与精度深受制造工艺与热变化所引入不确定性的影响。本文首次对基于马赫-曾德尔干涉仪(MZI)的 SPNN 中随机不确定性对其分类精度的影响进行了全面的分层研究。我们表明该影响会因非理想硅光子器件的位置与特性(如调谐相位角)而异。仿真结果表明,在一个具有两个隐藏层和 1374 个可调热相位偏移器的 SPNN 中,即便在成熟制造工艺下,随机不确定性也可导致灾难性的 70% 精度损失。
引用
@article{arxiv.2012.10594,
title = {Modeling Silicon-Photonic Neural Networks under Uncertainties},
author = {Sanmitra Banerjee and Mahdi Nikdast and Krishnendu Chakrabarty},
journal= {arXiv preprint arXiv:2012.10594},
year = {2020}
}
备注
This paper has been accepted at the Design, Automation and Test in Europe (DATE) Conference 2021 and will appear in DATE proceedings