可编程光子极限学习机介绍

逍遥设计自动化

引言

6 R/ m$ P7 K1 k# A近年来，人工智能领域经历了快速发展，导致计算资源需求呈指数级增长。传统电子处理器虽然一直是这些进展的基础，但在带宽和能源效率方面存在局限性。这促使研究人员探索替代计算方案，其中光子神经网络显示出优良的发展潜力[1]。
0 \# d. h6 P1 j$ P  q1 b

wetgekmf05h6401357245.png

* P+ o2 A0 \, C4 q( V: u# V
光计算具有独特优势，包括复值运算、多维处理能力和并行计算，同时可实现高带宽和低延迟。然而，在光子系统中实现传统神经网络训练方法（如反向传播）仍面临挑战。极限学习机（ELM）在这方面提供了一个优秀的解决方案。
; N. z" u5 n0 g" S

l4as4h5tqwl6401357345.png

图1展示了极限学习机的架构和光子系统实现的实验设置。图中显示：(a) ELM的基本结构，包括输入层、随机隐藏层和输出层；(b) 使用六边形网格的实验设置示意图；(c) 不同的可编程单元状态。
; o+ K3 B" O' P: ^- |, }理解极限学习机

. l' L7 W' q! \. t; C# p  V% x极限学习机采用创新的神经网络设计方法，显著简化了训练过程。与需要训练所有层的传统神经网络不同，ELM使用固定的随机隐藏层，只训练输出层。这种方法将输入数据随机投影到更高维度的空间，使分类变得线性化，大大减少了计算需求，同时保持了出色的性能。

" W2 h! Z1 R) r) m0 z' o4 ]ELM的数学基础可以通过两个关键方程表达：
8 d# c6 {4 B& I  _/ I( m. U' g1 F
H = f(WX + b)
/ d8 I: a, d5 h
% `7 y1 C( e7 W, l& y. I其中H表示输入状态X的非线性随机投影，W是随机权重矩阵，b表示偏置。输出计算为：

β = H?T
0 Q2 f$ F) \4 I9 N3 I$ z# T1 K
其中β表示可训练的输出权重，T是真实目标矩阵。
可编程光子实现
1 Z/ {: @% V! D$ e+ N9 n
; r9 b( I4 B6 h) ]1 f! G& n; A9 m1 r( G, z研究人员使用iPronics公司的商用Smartlight处理器展示了可编程光子极限学习机（PPELM）。该处理器具有72个可编程单元组成的六边形网格，这些单元以平衡的马赫-曾德尔干涉仪形式实现，具有28个输入-输出光端口。
" i5 N: Q6 _& M! K

vnotkghvmps6401357445.png

3 l0 e3 C0 B6 T2 t图2展示了三种不同分类任务的准确率结果：(a) 头部识别，(b) 鸢尾花分类，(c) 钞票认证，显示了系统在不同隐藏节点数量下的性能。
; H' \8 l6 X5 X# T2 O4 Z! X8 W
实现过程包括以下关键步骤：
- ^& F- m: n" t" ?" ^) A& y& c; F使用光纤阵列将光耦合到光子芯片
+ m! Q; V$ O! o/ T创建分光器树，将光分成多条路径
在幅度和相位中编码输入数据
$ K* Y" z7 [* J8 r8 d( z. a5 V通过可编程单元实现随机变换
使用集成光电探测器应用非线性
1 F7 s& a, i3 k5 h* y9 ?数字化训练输出层
1 y/ c- j/ `) P; E4 ?9 f/ X[/ol]性能提升技术
) _4 y/ o3 t# j, k# [0 F
研究人员引入了两种创新方法来提高系统性能：

1. 进化优化：
使用差分进化算法（DE-PPELM）优化随机隐藏层初始化。这种技术在使用较少隐藏节点的情况下显著提高了准确率。

ls20dssrw3s6401357545.png

6 O' V: b$ W* Y8 w  E图3展示了鸢尾花数据集分类任务中，在DE-PPELM优化过程中，不同隐藏节点数量下训练和验证准确率的演变。

2. 波分复用（WDM）：
研究人员实现了使用WDM的集成方法，可以使用不同波长进行并行计算。

51hbdw23ma26401357645.png

1 S7 N( y' Z- d3 ~图4展示了使用WDM的集成极限学习机，显示了多个波长如何同时复用和处理以提高分类准确率。
实验结果
" w* i& q3 P, O
) ^1 `8 d" B8 m, S  DPPELM在三个分类任务上进行了测试：
头部识别：使用10个隐藏节点达到98.6%的准确率
# d7 |$ ^, A" ]1 n5 s! c鸢尾花分类：使用10个隐藏节点达到95.8%的准确率
4 p4 d2 P) B; ^- Q% g4 g* `3 b钞票认证：使用10个隐藏节点达到90.3%的准确率

WDM集成方法进一步改善了这些结果，在使用20个波长时，钞票分类任务的准确率达到99.1%。
5 m; j0 s! u3 i% \# P) Y3 w$ f/ ]总结

n33rvayymrc6401357745.png

& ^) R8 `  ?& h图5展示了(a)插入损耗和(b)位精度作为矩阵大小和MZI损耗的函数关系，展示了系统的可扩展性。
" r8 h# r( Q1 p4 c: ]% G
, @5 l) h% X, _/ q7 v+ J# MPPELM的成功实现代表了光子神经网络的重要进展。该系统能够以相对较少的隐藏节点实现高分类准确率，结合系统的可编程性和可扩展性，在未来人工智能硬件应用中具有重要意义。这项研究表明，可编程光子处理器能够有效实现机器学习模型，同时在速度、能源效率和计算能力方面具有优势。
9 q/ |1 }+ z; ?3 m8 X参考文献

1 R  j  h9 V; Q* y! _[1] J. R. Rausell-Campo, A. Hurtado, D. Pérez-López and J. Capmany Francoy, "Programmable Photonic Extreme Learning Machines," Laser & Photonics Reviews, vol. 2025, no. 2400870, pp. 1-10, 2025.
END
软件试用申请欢迎光电子芯片研发人员申请试用PIC Studio,其中包含：代码绘版软件PhotoCAD，DRC软件pVerify，片上链路仿真软件pSim，光纤系统仿真软件pSim+等。更多新功能和新软件将于近期发布，敬请期待！
点击左下角"阅读原文"马上申请
) N: {" D0 h+ f; @
欢迎转载
8 W! ^$ p- V3 Q. H. M) t0 Q+ b: J
; h: \6 j7 B2 Y8 S/ {: |转载请注明出处，请勿修改内容和删除作者信息！
1 U: M+ F( R. M- t


  c& P: ^% Z; z8 P. I6 V+ n

aavzhr0p4ej6401357845.gif

5 P0 N0 V+ z/ ^5 {$ F
关注我们
0 z0 \5 i( k5 u: _. ~

, {$ @- ?6 T$ a! s5 q- k9 b9 ]9 t puzzpei3kyt6401357945.png 8 ?: c' _' r3 i; m1 D

4 D: T6 I( z0 O* g- ]' t5 g9 w4 J yarvmwv5efe6401358045.png

jqtez0r2iod6401358145.png

                     
- R3 h% r" O! o; X- H! O1 X
8 q1 g4 g, Q6 ^. c0 V/ U

( ]2 k) l0 I9 D3 L. g  v* @关于我们：
深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
# \4 U; w0 q2 A7 y  U  m: i  _& c( W) Q
http://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）