Scaling on-chip photonic neural processors using arbitrarily programmable wave propagation

要約

ニューラル ネットワーク用のオンチップ フォトニック プロセッサには、速度とエネルギー効率の両方で潜在的な利点がありますが、電子プロセッサを上回る性能を発揮できる規模にはまだ達していません。
オンチップフォトニクスを設計するための主要なパラダイムは、一次元の導波路によって接続された比較的大きな個別コンポーネントのネットワークを作成することです。
はるかにコンパクトな代替案は、コンポーネントを明示的に定義することを避け、代わりにフォトニックプロセッサの連続基板を彫刻して、2次元で自由に伝播する波を使用して計算を直接実行することです。
空間の関数としての屈折率 $n(x,z)$ を迅速に再プログラムすることができ、デバイス内の波動伝播を任意に制御できるデバイスを提案および実証します。
私たちのデバイスである2Dプログラマブル導波路は、光伝導利得と電気光学効果を組み合わせて、$10^{-3}$と約$10^4の屈折率変調深さでスラブ導波路の屈折率の大規模並列変調を実現します。
$ プログラム可能な自由度。
$12\,\text{mm}^2$ の機能領域を持つプロトタイプ デバイスを使用して、シングル パスで最大 49 次元の入力ベクトルを使用してニューラル ネットワーク推論を実行し、母音分類で 96%、母音分類で 86% の精度を達成しました。
$7 \times 7$ ピクセル MNIST 手書き数字分類の精度。
これは、ディスクリートコンポーネントに依存する以前のフォトニックチップの規模を超えた規模であり、連続波パラダイムの利点を示しています。
原理的には、十分に大きなチップ面積があれば、デバイスの屈折率分布を再プログラムできるため、あらゆる受動的な線形フォトニック回路またはデバイスを再構成可能に実現できます。
これにより、光処理、スマートセンシング、分光法、光通信などの幅広い用途向けの、よりコンパクトで多用途なフォトニックシステムの開発が期待されます。

要約(オリジナル)

On-chip photonic processors for neural networks have potential benefits in both speed and energy efficiency but have not yet reached the scale at which they can outperform electronic processors. The dominant paradigm for designing on-chip photonics is to make networks of relatively bulky discrete components connected by one-dimensional waveguides. A far more compact alternative is to avoid explicitly defining any components and instead sculpt the continuous substrate of the photonic processor to directly perform the computation using waves freely propagating in two dimensions. We propose and demonstrate a device whose refractive index as a function of space, $n(x,z)$, can be rapidly reprogrammed, allowing arbitrary control over the wave propagation in the device. Our device, a 2D-programmable waveguide, combines photoconductive gain with the electro-optic effect to achieve massively parallel modulation of the refractive index of a slab waveguide, with an index modulation depth of $10^{-3}$ and approximately $10^4$ programmable degrees of freedom. We used a prototype device with a functional area of $12\,\text{mm}^2$ to perform neural-network inference with up to 49-dimensional input vectors in a single pass, achieving 96% accuracy on vowel classification and 86% accuracy on $7 \times 7$-pixel MNIST handwritten-digit classification. This is a scale beyond that of previous photonic chips relying on discrete components, illustrating the benefit of the continuous-waves paradigm. In principle, with large enough chip area, the reprogrammability of the device’s refractive index distribution enables the reconfigurable realization of any passive, linear photonic circuit or device. This promises the development of more compact and versatile photonic systems for a wide range of applications, including optical processing, smart sensing, spectroscopy, and optical communications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google