利用非相干光计算进行 AI 加速的跨层设计

Mar, 2023

利用非相干光计算进行 AI 加速的跨层设计

Cross-Layer Design for AI Acceleration with Non-Coherent Optical Computing

Febin Sunny, Mahdi Nikdast, Sudeep Pasricha

TL;DR本文介绍了一种基于非相干光学计算平台的 AI 工作负载加速方法，通过交叉层设计，优化了非相干光学计算平台的光学器件工程、调谐电路增强和架构创新，并探讨了硬件 / 软件协同设计等技术来智能化映射和适应 AI 软件，以提高其在非相干光学计算平台上的性能。

Abstract

Emerging ai applications such as ChatGPT, graph convolutional networks, and other deep neural networks require massive computational resources for training and inference. Contemporary computing platforms such as CPUs, GPUs, and TPUs are struggling to keep up with the demands of these <

ai applications non-coherent optical computing cross-layer design optical device engineering hardware/software co-design

发现论文，激发创造

2.5D 芯片平台中的硅光子学机器学习加速器

本文描述了如何将光计算和通信集成到 2.5D 芯片平台中，从而驱动一类新型的可持续扩展的机器学习硬件加速器，以加速新兴的机器学习工作负载，通过跨层设计、硬件 / 软件协同设计和硅光子设计制备。

Jan, 2023

利用被动光学非线性映射的深度学习

介绍了一种利用混沌光学的技术为 Edge 计算设备提供了一种新的、能够提高运算性能且能够处理高度非线性特征的平台。

Jul, 2023

卷积神经网络的光学前端

利用自由空间光学前端单元实现第一层的线性操作，然后通过电子方式实现后续层的混合光电架构，在 Kaggle 猫狗挑战数据库中获得了 87% 的图像分类精度。

Dec, 2018

具有连贯纳米光子电路的深度学习

本篇论文提出新的光学神经网络架构，并利用光学的独特优势实现计算速度和能源效率的显著提升，最高分别达到目前技术水平的两个和三个数量级，此外使用可编程纳米光子处理器进行实验验证。

Oct, 2016

线性光学非线性处理

研究使用多次散射的方法，在低光功率下实现具有程序控制的线性和非线性变换，实现光学多层网络的实现

Jul, 2023

人工智能和神经形态计算的光子学

该论文回顾了集成光子神经形态系统的最新进展，分析当前和未来的挑战，概述了克服这些挑战所需的科学和技术进步，包括光子计算、光子集成电路、人工神经网络、机器学习和神经形态光电子学。

Oct, 2020

克服规模扩展机器学习硬件加速器中的通信瓶颈的硅光 2.5D 互联网

现代机器学习应用越来越复杂，单芯片加速器架构无法满足其能效和吞吐量要求。本文介绍了如何利用光通信和计算在 2.5D 平台上实现能效高、吞吐量大的 2.5D 机器学习加速器架构。

Mar, 2024

非负同构神经网络用于光子神经形态加速器

光电神经形态计算器能够显著提高计算速度和能量效率，但将现有深度学习模型部署在这样的平台上并不容易，我们引入了一种方法来获得满足神经形态硬件要求的非负等价物，并采用保持符号优化方法来训练这样的等价网络。

Oct, 2023

跨层优化的容错深度学习

提出了一种基于容错深度学习加速器的方法，通过对深度学习处理组件的建筑层和电路层进行选择性保护，降低由于冗余计算造成的开销，并通过优化设计参数在算法层、建筑层和电路层上减少硬件资源消耗，同时满足可靠性、准确性和性能等多个用户约束。

Dec, 2023

非线性光学数据转换器用于机器学习

通过利用复杂的非线性光学处理器，利用光学计算实现简化的机器学习模型来进行图像分类。

Aug, 2022