基于DFB-SA芯片的多突触光子尖峰神经网络
与传统的人工神经网络相比，尖峰神经网络(SNN)由于其时空编码和事件驱动的特性，在生物学上更真实、更强大、功耗更低。近年来，光计算被广泛认为是一种硬件加速平台，非线性计算提出了挑战。PhotonicSNN为高性能神经形态计算提供超快速且节能的平台。
由于紧凑尺寸和高可靠性的潜力，集成架构提供了可靠的光学神经形态计算架构方案。两段半导体激光器可以用作光子尖峰神经元，能够模仿神经元样反应并像神经元一样执行非线性计算。
然而，SNN的强非线性以及硬件限制带来的训练困难，对高效的SNN算法提出了迫切的需求。与此同时，算法与硬件平台的协同计算成为新的挑战。
为了解决光神经网络的非线性计算挑战，课题组自主研发了一种包含可饱和吸收区(DFB-SA)的分布式反馈半导体激光芯片作为光尖峰神经元，能够成功模拟类神经元动力学，例如可兴奋响应、阈值和积分行为。该研究发表在《光电科学》杂志上。
受生物学中多突触结构和延迟权重可塑性的启发，提出了一种多突触SNN结构和延迟权重协作监督学习算法来训练光学SNN，实现了基于模式分类算法的软硬件协同。光学SNN和DFB-SA激光芯片。
与现有的常见算法相比，该算法的学习效率和性能均优异，并且引入的多突触连接可以有效提高不同学习算法的网络性能。为了实现算法和硬件的协同计算，采用时分复用技术对不同输出神经元在不同时间间隔接收到的输入进行编码，并基于单个DFB-SA激光芯片对分类模式进行实验验证。不同类型的输入只能刺激相应的输出神经元产生单个尖峰。
而且，在反复测试中，虽然输出尖峰功率波动较大，但尖峰时序相对稳定，证明了时间编码的鲁棒性。本研究实现了远远超出硬件集成规模限制的功能光子SNN，展示了硬件算法协同计算的能力。该工作是推动集成光子SNN芯片实际应用的重要一步，为大规模光学SNN的硬件实现奠定了重要基础。
论文报道的DFB-SA激光器芯片，基于传统InP基通用代工平台，具有集成度高、功耗低、速度快、易调谐等特点，适合大带宽、高带宽、高带宽、低功耗等应用场景。速度和低延迟。它为集成光学神经形态计算系统的实现奠定了设备基础，有望在数据中心、边缘计算、自动驾驶等应用中发挥作用。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时候联系我们修改或删除，多谢。