可扩展纳米光电子脉冲神经网络
神经与进化计算
2022-08-30 v1 信号处理
摘要
脉冲神经网络（SNN）提供了一种能够实现高度并行、实时处理的新计算范式。光子器件非常适合于设计匹配 SNN 计算范式的高带宽、并行架构。CMOS 与光子元件的共集成可将低损耗光子器件与模拟电子器件结合，以获得非线性计算元件的更大灵活性。为此，我们在单片硅光子（SiPh）工艺上设计并仿真了一种光电子脉冲神经元电路，其复现了超越漏积分放电（LIF）的有用脉冲行为。此外，我们探索了两种利用马赫-曾德尔干涉（MZI）网格作为突触互连、具备片上学习潜力的学习算法。一种随机反向传播（RPB）的变体在片上实验演示，并在简单分类任务上匹配了标准线性回归的性能。同时，对比赫布学习（CHL）规则被应用于由 MZI 网格组成的仿真神经网络，用于随机输入输出映射任务。经 CHL 训练的 MZI 网络表现优于随机猜测，但未达到理想神经网络（无 MZI 网格所施加约束）的性能。通过这些工作，我们证明了 CMOS 与 SiPh 共集成技术非常适合于可扩展 SNN 计算架构的设计。
引用
@article{arxiv.2208.13144,
title = {Scalable Nanophotonic-Electronic Spiking Neural Networks},
author = {Luis El Srouji and Yun-Jhu Lee and Mehmet Berkay On and Li Zhang and S. J. Ben Yoo},
journal= {arXiv preprint arXiv:2208.13144},
year = {2022}
}