面向光子物理信息神经网络的无反向传播 scalable 训练框架
机器学习
2026-02-10 v2
摘要
物理智能和数字孪生体系常需要快速、重复评估各种工程系统（如机器人、自动驾驶车、半导体芯片），以实现（几乎）实时动作或决策。这推动了开发加速的偏微分方程（PDE）求解器，尤其是在资源受限场景下部署于边缘设备。物理信息神经网络（PINNs）在求解高维 PDE 上显示出前景，但在最新数字硬件（如 GPU）上的训练时间仍远长于实现实时决策所需的延迟。光子计算因其超高运算速度，可能有望缩短这一巨大延迟差距。然而，缺乏光子存储器和大型器件尺寸，阻碍了在光子芯片上训练实际规模的 PINNs。本文提出了一种完全无反向传播（BP-free）且高度可扩展的框架，用于在硅光子平台上训练实际规模的 PINNs。该方法包含三个关键创新：（1）稀疏网格 Stein 导数估计器以避免 PINN 损失评估中的 BP；（2）通过张量压缩实现的维度降低零阶优化，以提高 BP-free 训练的可扩展性和收敛性；（3）基于光子张量核心的可扩展芯内光子 PINNs 训练加速器设计。我们在低维和高维 PDE 基准测试中验证了数值方法。通过基于真实器件参数的前硅仿真，进一步展示了该光子加速器在显著性能提升（如实时训练、芯片面积大幅度缩减）方面的显著优势。
引用
@article{arxiv.2502.12384,
title = {Scalable Back-Propagation-Free Training of Optical Physics-Informed Neural Networks},
author = {Yequan Zhao and Xinling Yu and Xian Xiao and Zhixiong Chen and Ziyue Liu and Geza Kurczveil and Raymond G. Beausoleil and Sijia Liu and Zheng Zhang},
journal= {arXiv preprint arXiv:2502.12384},
year = {2026}
}