无需反向传播的可扩展光物理信息神经网络训练方法

《ACM Transactions on Design Automation of Electronic Systems》：Scalable Back-Propagation-Free Training of Optical Physics-Informed Neural Networks

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多信息登录

摘要

摘要

物理智能与数字孪生通常需要快速且反复地对各种工程系统（如机器人、自动驾驶车辆、半导体芯片）进行性能评估，以便实现近乎实时的操作或决策。这推动了加速型偏微分方程求解器的发展，尤其是在资源受限的情况下，若要将这些求解器部署在边缘设备上。物理信息神经网络在解决高维偏微分方程方面展现出潜力，但在最先进的数字硬件（如GPU）上的训练时间仍比实现实时决策所需的延迟长多个数量级。光子计算因其极高的运算速度，为解决这一巨大的延迟问题提供了可能方案。然而，由于缺乏光子存储器以及器件尺寸较大，目前还无法在光子芯片上训练实际规模的物理信息神经网络。本文提出了一种完全无需反向传播、且具有高度可扩展性的框架，用于在硅基光子平台上训练实际规模的物理信息神经网络。我们的方法包含三项关键创新：（1）一种稀疏网格斯坦因导数估计器，可在物理信息神经网络的损失评估中避免使用反向传播；（2）通过张量训练分解实现降维后的零阶优化，从而提升无反向传播训练的可扩展性和收敛性；（3）一种基于光子张量核心的可扩展片上光子物理信息神经网络训练加速器设计。我们在低维和高维偏微分方程基准测试中验证了我们的数值方法。通过基于实际器件参数的硅前模拟，我们进一步证明了该光子加速器在性能上的显著优势（如实时训练、大幅减少芯片面积）。我们的代码可在https://github.com/olokevin/scalable_bpfree_onn_training获取。

AI总结

AI生成的总结（实验性）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对该总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。