相变材料辅助的光子卷积神经网络加速器
摘要
由于卷积神经网络（CNN）识别精度与人类接近，故其在计算机视觉、图像和语音处理等方面取得了巨大的成功，但这种成功离不开硬件加速器的支撑。受到电子器件功率与速率的限制，当前的电加速器难以满足未来大规模卷积运算对硬件算力和能耗的需求。作为一种替代方案，提出了一种低能耗存算一体光子CNN加速器结构。该结构采用微环谐振器和非易失性相变材料Ge2Sb2Te5构成无源光学矩阵乘法器来实现存内计算，从而减小了权重数据读取的能耗。利用Ansys Lumerical 仿真平台验证了10 Gb/s与20 Gb/s速率下4×4规模的光学矩阵乘法的运算。与传统的基于电光微环谐振器的光子CNN加速器数字电子与模拟光子（DEAP）相比，所提加速器结构在保持原运算速率的情况下减少了48.75%的功耗，并且在矩阵运算处的面积能够减少49.75%。此外，基于MNIST与notMNIST数据集对所提加速器的推理效果进行了仿真验证，识别精度分别为97.80%和92.45%。
引用本文（GB/T 7714）
郭鹏星 Guo Pengxing, 刘志远 Liu Zhiyuan, 侯维刚 Hou Weigang, 等. 相变材料辅助的光子卷积神经网络加速器[J]. Acta Optica Sinica, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。