.png){kind=icon}
返回
Efficient hardware error correction with hybrid on-offline configuration algorithm for optical processor
.png){kind=icon}
OA
AI
DOI：10.1038/s42005-025-02247-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光子神经网络（PNNs）通过利用光信号的线性传播，已作为一种高速、并行、低延迟计算的有前景的平台而出现。然而，由于制造差异和环境因素引起的硬件误差，扩大PNNs的规模面临着重大挑战。传统方法，如离线误差校正和在线训练，要么依赖复杂的控制系统，要么受限于局部最优收敛问题，导致可扩展性和效率受限。在此，我们针对可编程光学处理器提出了一种混合在线-离线配置（HOOC）算法。这一创新方法结合了离线初始值预设与在线扰动优化迭代算法，实现了精确且高效的误差校正。我们在复值矩阵配置和分类任务中评估了该算法的性能，展示了强大的误差校正能力，包括高重构保真度（≥98%）、快速收敛（≤10次迭代）以及降低对检测设备的依赖。此外，高阶相干处理器的数值模拟表明，我们的HOOC算法有效避免了局部最优，这是传统原位训练方法的常见局限性，从而同时提高了可扩展性和鲁棒性。这些结果强调了HOOC算法在可扩展且鲁棒PNN实现中的可行性和效率，为人工智能应用中的可扩展光学计算铺平了道路。扩大用于AI硬件的光子神经网络的规模受到制造和环境误差的阻碍。这项工作介绍了一种结合离线校准与在线优化的混合算法，实现了高效硬件误差校正和快速收敛，同时避免了常见的局部最优问题。
期刊
IF:
5.8
论文数:
2.8K
被引数:
9.2K
机构
引用论文
分享收藏分享收藏A Compact Butterfly-Style Silicon Photonic-Electronic Neural Chip for Hardware-Efficient Deep Learning.png)
ACS PHOTONICSOAAI
ACS PHOTONICSIF6.7
OAAI分享收藏Comprehensive thermal crosstalk model of meshed MZI topologies for neuromorphic computing神经形态计算中网格化MZI拓扑结构的综合热串扰模型
PREAI
分享收藏Single-chip photonic deep neural network with forward-only training具有只进训练的单芯片光子深度神经网络NATURE PHOTONICS
NATURE PHOTONICSIF32.9
PREAI
分享收藏Thermal flux manipulation on the silicon photonic chip to suppress the thermal crosstalkAPL PHOTONICSOAAI
APL PHOTONICSIF5.3
OAAI分享收藏
查看更多内容