返回
Silicon Photonics Codesign for Deep Learning
DOI:10.1109/JPROC.2020.2968184.png)
摘要
En 中文
深度学习正在彻底改变我们社会的许多方面,解决各种各样的决策任务,从图像分类到自动驾驶汽车控制。矩阵乘法是深度学习计算中必不可少且计算密集的步骤。深度神经网络的计算复杂性需要专用硬件加速器来实现额外的处理吞吐量和提高的能效,以便在即将到来的应用中扩展到更大的网络。由于CMOS兼容制造能力的最新进展,硅光子学是用于硬件加速的有前途的平台,其使得能够有效地利用光学器件的固有并行性。本文提供了用于深度学习的相对较新且有前途的硅光子学平台中最新实现的详细描述。提出了与现场可编程门阵列 (FPGA) 共同设计用于预处理和后处理的多波长微环硅光子架构的机会。对硅光子集成电路的详细分析表明,基于将大型矩阵向量乘法分解为较小实例并使用非负权重的协同设计实现可以显着简化矩阵乘法器的光子实现,并允许增加可扩展性。我们通过对设计参数的概述和详细分析来结束本文。探索了前进道路的见解。
Keyword:
Photonics
Silicon
Deep learning
Optical resonators
Task analysis
Integrated optics
Convolutional codes
Deep learning
microring resonator (MRR)
neural network
photonic integrated circuit (PIC)
silicon photonics
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
25.9
论文数:
9.9K
被引数:
4.5W
机构
引用论文
Chiral non-perturbative approach to the isoscalar s-wave ππ interaction in a nuclear medium核介质中等标量s波 π π 相互作用的手性非扰动方法
Simultaneous wavelength locking of microring modulator array with a single monitoring signal
OPTICS EXPRESS
IF3.3
Real-time and offline techniques for identifying obstructive sleep apnea patients用于识别阻塞性睡眠呼吸暂停患者的实时和离线技术
Large-scale silicon quantum photonics implementing arbitrary two-qubit processing实现任意两量子位处理的大规模硅量子光子学
NATURE PHOTONICS
IF32.9

