实验中实现的纳米光子神经网络深度学习的原地反向传播法
神经网络是许多科学学科和商业活动中广泛部署的模型，从边缘计算和传感到数据中心的大规模信号处理。训练此类网络的最有效和根深蒂固的方法是反向传播或反向模式自动微分。为了应对人工智能领域呈指数增长的能量预算，最近人们对神经网络的模拟实现产生了兴趣，特别是不存在模拟反向传播演示的纳米光子神经网络。我们设计了可大规模制造的硅光子神经网络，将我们定制设计的“光子网格”加速器与数字实现的非线性交替级联。这些可重构光子网格通过设置物理电压来对计算密集型任意矩阵乘法进行编程，该物理电压可调节通过集成马赫-曾德干涉仪网络传播的光学编码输入数据的干涉。在这里，使用我们的封装光子芯片，我们首次演示了原位反向传播来解决分类任务并评估一种新协议，以保持模拟域中物理设备电压的整个梯度测量和更新，改进了过去的理论建议。我们的方法是通过对典型的光子网格引入三个变化来实现的：(1) 在光学“光栅抽头”监视器上进行测量，(2) 光纤开关自动进行双向光信号传播，以及 (3) 光振幅和相位的通用生成和读出。经过训练，即使存在系统误差，我们的分类也能达到与数字等效的准确度。我们的研究结果提出了一种新的光子加速人工智能训练范式，该范式完全基于流行的反向传播技术的物理模拟。
《experimentally realized in situ backpropagation for deep learning in nanophotonic neural networks》
论文地址:网页链接
