多波长光子神经网络的在线训练与剪枝
光学
2026-01-01 v3
摘要
CMOS 兼容光子集成电路（PICs）作为人工智能（AI）计算的一种有前景的平台正在兴起。由于微环谐振器（MRRs）结构紧凑以及波分复用（WDM）带来的互联效率提升，基于 MRR 的光子神经网络（PNNs）特别适合大规模集成。然而，此类系统的可扩展性和能效从根本上受到制造工艺偏差（FPVs）和环境波动引起的 MRR 谐振波长变化所制约。现有方案采用制造后方法或热光调谐，带来了高昂的控制功耗和额外的工艺复杂性。在本工作中，我们引入一种在线训练与剪枝方法来解决这一挑战，能够自适应地应对 FPVs 引起和热效应引起的 MRR 谐振波长偏移。通过在传统损失函数中引入功率感知剪枝项，我们的方法同时优化了 PNN 的准确率和 MRR 调谐的总功耗。在 Iris 数据集上的原理验证片上实验中，我们的系统 PNNs 能够自适应训练以维持 96% 的分类准确率，同时通过剪枝实现 44.7% 的调谐功耗降低。此外，我们的方法在更大数据集上将功耗降低了数个数量级。通过解决芯片间差异并最小化功耗需求，我们的方法显著提升了基于 MRR 的集成模拟光子处理器的可扩展性和能效，为大规模 PICs 实现神经网络、光子交换、LiDAR 和射频波束赋形等多样化应用铺平了道路。
引用
@article{arxiv.2412.08184,
title = {Online training and pruning of multi-wavelength photonic neural networks},
author = {Jiawei Zhang and Weipeng Zhang and Tengji Xu and Lei Xu and Eli A. Doris and Bhavin J. Shastri and Chaoran Huang and Paul R. Prucnal},
journal= {arXiv preprint arXiv:2412.08184},
year = {2026}
}
备注
21 pages, 5 figures