本文提出了一种引入可重构性的基于 Photonic Microring Resonator 的 CNN 加速器，以动态最大化加速器硬件组件与处理使用硬件组件的 CNN 张量之间的大小兼容性，从而提高并行性、灵活性、效率、速度和整体能效，并在四个现代 CNN 的推理中对其进行了评估，结果表明其对于先前工作中的 MRR 加速器在 FPS 和 FPS/W 方面分别提高了 1.8 倍和 1.5 倍。

Jul, 2022

HEANA 是一种新型的混合时间 - 幅度模拟光学加速器，它采用混合时间幅度模拟光学乘法器和平衡光电荷累加器，能够提供 66 倍的 FPS 和 84 倍的 FPS/W 的改进。

Feb, 2024

该论文介绍了一种名为 Sparse CNN 的卷积神经网络加速器体系结构，它可以通过利用 CNN 训练期间的网络修剪所产生的零值权重以及推理期间常见的 ReLU 算子产生的零值激活来提高性能和能源效率，从而减少数据传输和存储要求，并通过一种新型数据流方式有效地传递权重和激活值到乘法器阵列。该加速器在现代神经网络上可以将性能和能源效率分别提升 2.7 倍和 2.3 倍。

May, 2017

本文设计了一种基于 SC 的 DCNN，并优化了其各个方面，包括内积、池化、激活函数、特征提取块、权重存储方法等，以实现高效、可扩展和节能的硬件优化。

Nov, 2016

利用并行结构提出的 SF-MMCN 设计，在面对 CNN 模型中的并行结构时实现了高效的操作和区域利用率，并取得了 76% 的能量节约、55% 的面积节约以及 9.25 倍和 4.92 倍的操作和区域利用效率提升。

Mar, 2024

Mirage 是一种基于残留数系统（RNS）的光子深度神经网络（DNN）训练加速器，通过将 RNS 和光子学相结合，提供高能效、高精度且能够成功训练与 FP32 训练相媲美的 DNNs，相比系统阵列，平均可实现超过 23.8 倍的更快训练速度、32.1 倍的更低能耗与相当或更好的效率 - 功耗比（EDP）在等能端景下，以及 42.8 倍的更低功率消耗在等面积场景下。

Nov, 2023

本文提出了一种通过操作相关数字分布的统计卷积神经网络（SCNN）来处理多帧相关图像的方法，实现了显著的速度提升，即使在未经优化的情况下，仍然能实现高达 178% 的加速。

Mar, 2019

本文介绍了一种用于二进制权重卷积神经网络的加速器，能够在 1.2V 下实现 1510 GOp/s 的运算，且在 0.6V 下消耗 895 μW 的功率。这个加速器比先前的最新技术在能量和面积效率方面都有很大的优势。

Jun, 2016

这篇论文研究了基于微环共振器 (MRR) 的模拟光子结构，在深度神经网络中加速通用矩阵乘法 (GEMM) 并具有出色的吞吐量和能效。作者通过分析了调制 - 聚合 - 分拆 - 加权 (MASW)、聚合 - 分拆 - 调制 - 加权 (ASMW) 和分拆 - 调制 - 加权 - 聚合 (SMWA) 的三种不同调制顺序，发现这些组织在电路级的串扰噪声和光信号损失以及系统级的吞吐量和能量区域能够带来不同程度的影响。评估结果显示，相比于 ASMW 和 MASW，SMWA 组织在平均下达到了分别多达 4.4 倍、5 倍和 5.2 倍的吞吐量、能效和面积能量效率提升。

Feb, 2024

本文提出了一种新的芯片上学习框架，可以快速、高效地优化光神经网络的性能，避免了传统方法的实施成本。该框架可有效解决资源约束下的无噪音优化问题，具有较好的优化稳定性与高效性，适合实际部署。

Dec, 2020