用于片上深度神经网络的磷化铟光子集成交叉连接数值模拟

摘要： 我们提出了一种基于广播-加权方法的新型光子加速器架构，通过光子集成交叉连接实现深度神经网络。我们对单个神经元和完整神经网络运算进行了数值模拟，复现并验证了权重校准与加权加法操作，其表现与实验测量结果一致。预测动态范围超过25分贝，与实测数据相符。我们还针对光串扰和输入颜色数量的影响，对加权加法运算进行了模拟分析——光串扰增加会降低模拟精度，而通道数增多则能提升性能。通过部署训练好的三层深度神经网络权重矩阵，我们解决了鸢尾花分类问题。通过调节光串扰和波导损耗进行数值研究，以预估单次运算能耗，从而分析了对应光子实现的性能。层间光串扰与预测误差的关系分析表明：首层对最终精度起决定性作用。当归一化均方根误差低于0.09时，最终精度与各层误差呈准线性关联，这意味着首层存在保证最终精度高于89%的最大容许误差阈值。但由于网络随机性，即使误差超过0.09仍可能获得良好局部极小值。在相同误差水平下，更低的路径损耗可使矩阵乘法单元功耗减半，为性能提升提供了空间。模拟与实验的高度吻合为此类网络的可扩展性研究奠定了坚实基础。