基于原位训练的微环神经网络：用于可扩展且稳健的光子计算

《Laser & Photonics Reviews》：In-Situ Trained Microring-Based Neural Networks for Scalable and Robust Photonic Computing

光子计算具有高速、大带宽和超低功耗优势，微环共振器（MRR）基光学神经网络（ONN）因紧凑和波分复用特性受关注，但MRR对环境敏感且存在交叉干扰。本文提出基于MRR的在位训练架构，通过双向光学计算和波长复用实现物理参数更新，无需查表，实验验证其分类精度较传统MRR权重库提升13.3%，且在长时间运行中保持鲁棒性，有效抑制热光交叉干扰和环境波动，为下一代AI硬件提供可靠光计算方案。

　　

摘要

光子计算具有高速、大带宽和超低功耗的特点，使其成为传统电子处理器的有前景的替代方案，尤其是在矩阵-向量乘法（MVM）和卷积任务中。在光子架构中，基于微环谐振器（MRR）的光学神经网络（ONNs）因其紧凑的体积和波分复用技术而备受关注。然而，MRR对环境干扰和串扰非常敏感，这限制了计算精度。虽然原位训练作为一种通过在计算过程中调整权重来提升系统性能的有效方法已经出现，但它需要实数双向处理来支持反向传播——这对于基于非相干MRR的系统来说是一个重大挑战。本文展示了一种通过实数双向光计算克服这些限制的原位训练MRR基ONN。通过将多波长复用技术与片上前向和后向传播相结合，该架构实现了无需查找表即可进行物理参数更新的光学反向传播。实验验证表明，该架构在分类任务中的准确率比传统MRR权重矩阵提高了13.3%，并且在长时间运行下仍能保持高精度。系统分析证实了该架构对热光串扰和环境变化的鲁棒性。这项工作为下一代人工智能硬件开发了一条可扩展、抗干扰的光子计算路径。

利益冲突

作者声明没有利益冲突。