Фотонное умножение матриц освещает фотонный акселератор и его перспективы
Photonic matrix multiplication lights up photonic accelerator and beyond
2022-02-03
SCID: 54.1/k62pgtf5
Discuss with AI
интерферометр Маха–Цендерафотонный акселераторфотонное матричное умножениепреобразование плоского светамультиплексирование по длине волны
Figures from the paper
Abstract (AI)
Матричные вычисления, будучи фундаментальным строительным блоком обработки информации в науке и технике, составляют основную часть вычислительной нагрузки в современных алгоритмах обработки сигналов и искусственного интеллекта. Фотонные акселераторы разработаны для ускорения определённых классов вычислений в оптической области, особенно умножения матриц, с целью удовлетворения растущего спроса на вычислительные ресурсы и пропускную способность. Фотонное умножение матриц обладает значительным потенциалом для расширения областей телекоммуникаций и искусственного интеллекта благодаря своим высоким показателям производительности. Последние исследования в области фотонного умножения матриц активно развиваются и могут предоставить возможности для создания приложений, недостижимых в настоящий момент с использованием традиционных электронных процессоров. В этом обзоре мы сначала вводим методы фотонного умножения матриц, главным образом метод преобразования плоского светового поля, метод интерферометра Маха–Цендера и метод мультиплексирования по длине волны. Мы также суммируем ключевые этапы развития фотонного умножения матриц и связанные с ним приложения. Затем мы рассматриваем подробные достижения в применении к оптической обработке сигналов и искусственным нейронным сетям в последние годы. Наконец, мы обсуждаем проблемы и перспективы фотонного умножения матриц и фотонного ускорения.
Key Findings
1
Основные методы фотонного матричного умножения включают преобразование плоскости света, сети интерферометров Мэха–Цендера и мультиплексирование по длине волны.
2
Фотонное матричное умножение применялось в оптической обработке сигналов и искусственных нейронных сетях, демонстрируя заметный недавний прогресс в этих областях.
3
Фотонные матричные умножения являются перспективным подходом для снижения вычислительных затрат в обработке сигналов и ИИ за счёт выполнения матричных операций в оптической области.
4
Недавние исследования привели к важным этапам развития и активному прогрессу, позволяющему приложения в телекоммуникациях и ИИ, недостижимые для современных электронных процессоров.
5
Существуют значительные проблемы и открытые вопросы в области фотонного матричного умножения и фотонных акселераторов, которые необходимо решить для более широкого внедрения.
Research Object
Реализации фотонного умножения матриц (методы преобразования плоского света, интерферометра Маха–Цендера и мультиплексирования по длине волны)
Research Subject
Производительность ускорения, прикладной потенциал и достижения в реализации фотонного умножения матриц для фотонных ускорителей, оптической обработки сигналов и искусственных нейронных сетей
Publication Details
Publication Date
2022-02-03
Journal
Publisher
ISSN
Cited by
572
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Агрегированные остаточные преобразования для глубоких нейронных сетей2017
Оптимальная схема универсальных многопортовых интерферометров2016
Экспериментальная демонстрация резервуарных вычислений на чипе кремниевой фотоники2014
Нейроморфные фотонные сети с использованием кремниевых фотонных банков весов2017
Многоцелевой процессорный ядро для сигналов на кремниевой фотонике2017
Обучение фотонных нейронных сетей методом in situ обратного распространения ошибки и измерения градиента2018
Работы, цитирующие эту статью4
Искусственный интеллект и передовые материалы2022
Оптимизация вычислительной сложности эквалайзеров на основе нейронных сетей в цифровой обработке сигналов: комплексный подход2024
Полностью оптический процессор сигналов, обеспечивающий эквализацию в реальном времени со скоростью терабит в секунду2026
Уплотнённые оптические нейронные сети с мультиплексированными наборами нейронов и соответствующим алгоритмом обучения методом обратного распространения ошибки2023