Examiner ce qu’il faudra pour obtenir une réelle évolutivité pour la prise de décision basée sur la puce

Les arguments en faveur de la construction de réseaux neuromorphiques évolutifs sont les suivants : comme les humains, les puces plus intelligentes ont un réseau neuronal plus grand et plus étroit. En effet, les réseaux de neurones sont l’état de l’art actuel pour l’apprentissage automatique. Ce n’est pas de la robotique, où un bras non sensible suit des instructions explicites. Au lieu de cela, l’apprentissage automatique utilise des algorithmes et des modèles statistiques pour analyser, puis tirer des conclusions à partir de modèles de données.

Même quelques neurones reliés entre eux peuvent faire de petites choses impressionnantes. Il en faut cependant plus. Ainsi, une équipe du New Jersey et de Kingston, en Ontario, a rédigé un document couvrant ce qu’il faudra pour obtenir une réelle évolutivité pour la prise de décision basée sur la puce.

La réponse proposée est une nouvelle architecture de système de réseau de neurones photoniques à commutation de longueur d’onde (WS-PNN). La première partie de l’article nous présente les bases, puis décrit les avantages de l’évolutivité et de la flexibilité aplaties qui découlent de l’intégration de topologies sélectionnées.

Les progrès en matière d’évolutivité nécessitent un matériel de circuit intégré photonique pour une multitude de raisons, la principale étant la vitesse de la lumière. Une architecture informatique neuromorphique exécute des calculs de manière parallèle et distribuée, pèse les résultats de ces calculs, les additionne, effectue une opération non linéaire sur la sommation avant d’envoyer la sortie à de nombreux autres neurones, pour finalement proposer une réponse de premier ordre. . Comme vos neurones quand vous étiez en cours, n’est-ce pas ? Droite.

Les neurones à base de silicium sont regroupés en couches, les neurones étant connectés uniquement aux neurones des couches adjacentes. L’avantage d’une architecture de réseau de neurones en couches est qu’elle permet des astuces mathématiques d’algèbre linéaire qui accélèrent les calculs. Vous avez le choix entre différents types de couches et topologies. Chaque type de réseau de neurones excelle dans la résolution d’un domaine spécifique de problèmes, et chacun est réglé avec des hyper paramètres qui optimisent ces solutions (la diversité est bonne).

En parlant de diversité, l’article comprend une discussion sur deux types de neurones photoniques : le type sans pointe avec un modulateur à micro-anneaux et une source de lumière externe, et le neurone à pointe utilisant des lasers excitables. Les choix de topologie incluent des neurones photoniques à groupe unique et à deux groupes.

Le document illustre des topologies de réseau neuronal étendues avant la pondération des résultats mentionnés précédemment, pour obtenir une évolutivité du réseau neuronal avec un nombre fixe de longueurs d’onde. La flexibilité qui découle du mélange de différentes topologies prend en charge un large éventail d’applications d’apprentissage automatique (c’est-à-dire un traitement sophistiqué du signal).

L’accent mis par l’article sur l’apprentissage automatique des applications conduit directement à l’utilisation de résonateurs à micro-anneaux (MMR) dans la conception de circuits à puce. Non seulement les résonateurs à micro-anneaux sont utilisés pour le traitement du signal optique dans un réseau neuronal, mais ils peuvent également fournir une commutation reconfigurable.

La reconfigurabilité déplace la photonique sur silicium le long d’un chemin comme la puce électronique spécialisée (ASIC) évoluant vers un Field Programable Gate Array (FPGA). Avouons-le : les avantages de la programmabilité sont déterminants lorsque les systèmes gagnent en complexité. De plus, les puces spécialisées sont chères et prennent du temps à être fabriquées. L’évolutivité avec un nombre fixe de longueurs d’onde peut être juste le ticket.

L’article propose l’adoption de commutateurs sélectifs en longueur d’onde (WSS) à l’intérieur de ce qu’on appelle la boucle de diffusion pour un réseau de neurones photoniques à commutation de longueur d’onde (WS-PNN). L’architecture WS-PNN peut prendre en charge l’interconnexion de nombreux réseaux de neurones photoniques en connectant plusieurs puces PNN avec un WSS hors puce.

L’architecture WS-PNN devrait trouver de nouvelles applications en utilisant des commutateurs WSS hors puce pour interconnecter des groupes de neurones photoniques. L’interconnexion de WS-PNN peut atteindre une évolutivité sans précédent des réseaux de neurones photoniques tout en prenant en charge une sélection polyvalente de mélange de topologies de réseaux de neurones à action directe et récurrente.

La recherche est publiée dans le Journal IEEE de sujets sélectionnés en électronique quantique.

Fourni par l’Institut des ingénieurs électriciens et électroniciens