宇称-时间对称光学神经网络
光学
2022-03-21 v1 新兴技术
摘要
在级联马赫-曾德尔干涉仪(MZI)阵列上实现的光学神经网络(ONN)近来被提出作为传统深度学习硬件的可能替代。与电子对应物相比，它们潜在地提供更高的能效与计算速度。通过利用可调相位移相器，可调节各MZI的输出以实现任意矩阵-向量乘法的仿真。这些相位移相器是ONN可编程性的核心，但它们需要较大占位面积且相对缓慢。在此我们提出一种利用宇称-时间(PT)对称耦合器作为基本单元的光学神经网络架构。我们不是调制相位，而是调节阵列上的增益/损耗对比作为训练网络的手段。我们通过在美国国家标准与技术研究院(MNIST)修改数据集上执行数字识别任务，证明PT对称光学神经网络(PT-ONN)具有充分的表达能力。与传统ONN相比，PT-ONN取得了可比较的准确率(67%对71%)，同时规避了与改变相位相关的问题。我们的方法可能催生芯片级光学神经网络中快速训练的新替代途径。
引用
@article{arxiv.2203.09546,
title = {Parity-time symmetric optical neural networks},
author = {Haoqin Deng and Mercedeh Khajavikhan},
journal= {arXiv preprint arXiv:2203.09546},
year = {2022}
}
备注
The Supplementary Material is available on the Journal's website