Réseaux de neurones à pointe photonique multi-synaptique basés sur une puce DFB-SA

Comparés aux réseaux de neurones artificiels traditionnels, les réseaux de neurones à pointe (SNN) sont plus authentiques biologiquement, plus puissants et moins consommateurs d’énergie en raison de leur codage spatio-temporel et de leurs caractéristiques événementielles. Ces dernières années, l’informatique optique a été largement considérée comme une plate-forme d’accélération matérielle, où l’informatique non linéaire constitue un défi. Photonic SNN fournit une plate-forme ultra-rapide et économe en énergie pour le calcul neuromorphique haute performance.

En raison du potentiel de taille compacte et de haute fiabilité, l’architecture intégrée fournit un schéma d’architecture informatique neuromorphique optique fiable. Les lasers à semi-conducteurs à deux sections pourraient être adoptés comme neurones à pointe photonique, capables d’imiter des réponses de type neurone et d’effectuer des calculs non linéaires comme les neurones.

Cependant, la forte non-linéarité du SNN et les difficultés d’entraînement causées par les contraintes matérielles mettent en avant un besoin urgent d’algorithmes SNN efficaces. Dans le même temps, le calcul collaboratif des algorithmes et des plates-formes matérielles est devenu un nouveau défi.

Pour relever les défis informatiques non linéaires des réseaux de neurones optiques, un groupe de recherche a développé indépendamment une puce laser à semi-conducteur à rétroaction distribuée contenant une région d’absorption saturable (DFB-SA) en tant que neurone à pointe optique, qui peut simuler avec succès une dynamique de type neurone, telle que l’excitabilité. réponse, seuil et comportement d’intégration. La recherche est publiée dans la revue Science opto-électronique.

Inspiré par la structure multi-synaptique et la plasticité du poids-retard en biologie, une structure SNN multi-synaptique et un algorithme d’apprentissage supervisé coopératif-poids-retard ont été proposés pour entraîner les SNN optiques et ont réalisé la collaboration matériel-logiciel entre les algorithmes de classification de modèles basés sur le SNN optique et la puce laser DFB-SA.

Par rapport aux algorithmes communs existants, l’efficacité et les performances d’apprentissage de cet algorithme étaient excellentes, et la connexion multi-synaptique introduite pourrait améliorer efficacement les performances du réseau avec différents algorithmes d’apprentissage. Afin de réaliser le calcul collaboratif de l’algorithme et du matériel, la technologie de multiplexage temporel a été utilisée pour coder l’entrée reçue par différents neurones de sortie à différents intervalles de temps, et le mode de classification a été vérifié expérimentalement sur la base d’une seule puce laser DFB-SA. Différents types d’entrées ne pouvaient stimuler que les neurones de sortie correspondants pour produire un seul pic.

De plus, lors de tests répétés, bien que la puissance de pointe de sortie ait considérablement fluctué, le timing de pointe était relativement stable, démontrant la robustesse du codage temporel. Cette étude réalise un SNN photonique fonctionnel bien au-delà de la limite de l’échelle d’intégration matérielle et démontre la capacité de l’informatique collaborative par algorithme matériel. Ce travail constitue une étape importante dans la promotion de l’application pratique des puces SNN photoniques intégrées et pose une base importante pour la réalisation matérielle de SNN optiques à grande échelle.

La puce laser DFB-SA présentée dans l’article, basée sur la plate-forme de fonderie générique traditionnelle basée sur InP, présente les caractéristiques d’intégration, de faible consommation d’énergie, de vitesse élevée et de réglage facile, ce qui convient aux scénarios d’application à large bande passante, haute vitesse et faible latence. Il pose les bases de la réalisation d’un système informatique neuromorphique optique intégré, qui devrait jouer un rôle dans des applications telles que les centres de données, l’informatique de pointe et la conduite automatique.

Fourni par Compuscript Ltd