Feb, 2024

TeMPO: 高效的时间多路复用动态光子张量核用于紧凑的慢光电光调制器边缘人工智能

PDF
TL;DR通过跨层级协同设计和领域专用定制，我们提出了一种名为 TeMPO 的时分复用动态光子张量加速器，它在电子光子计算系统中弥合了性能差距，达到了更高的性能和效率。
electronic-photonic computing systemsdeep neural network inferencetime-multiplexed dynamic photonic tensor acceleratordomain specializationcross-layer co-design
发现论文，激发创造
  • 基于可编程多操作多模干涉的机器学习光子张量核心 M3ICRO

    提出了一种名为 M3ICRO 的基于多路多模干涉（MOMMI）器件定制的可编程光子张量芯片，在充分利用光电计算的能力的同时具有高能效、小体积以及优异的噪声鲁棒性。

    May, 2023

  • 用于机器学习的光子张量核心

    介绍了一种用于矩阵向量乘法和求和的集成光子学 TPU，通过利用波长分割复用、纳秒级延迟和基于相变材料的光学多态存储器，结合这些材料、功能和系统的物理协同作用，展示了这种 8 位光子 TPU 的性能比电子 TPU 高 2-3 个数量级，而占用的芯片面积类似，表明光子专用处理器在增强电子系统方面具有潜力，并且在即将到来的 5G 网络及其后面的网络边缘设备中表现特别出色。

    Feb, 2020

  • 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

  • DOCTOR：面向自校正光子张量加速器的动态芯片矫正技术

    光子计算在加速计算密集型人工智能 (AI) 工作负载方面已经成为一种有前途的解决方案，在资源有限、延迟敏感的边缘计算环境中，具有无与伦比的速度和能量效率。然而，现场噪声和环境变化给模拟光子张量加速器的部署带来了可靠性挑战。本文首次提出了一种轻量级的动态芯片内纠正框架 (DOCTOR)，针对时间漂移噪声提供自适应的、就地校准的准确恢复。DOCTOR 框架通过自适应探测智能监视芯片状态，并在必要时进行快速的就地、无训练的校准来恢复准确性。我们还提出了一种基于变异感知的架构重映射策略，以避免在有噪声的设备上执行关键任务。大量实验表明，与现有芯片内训练方法相比，我们提出的框架可以在漂移变化下保证持续性能，在准确性上提高 34%，开销降低 2-3 个量级。

    Mar, 2024

  • 一种高效的任务卸载优化框架，用于基于智能反射面的多接入边缘计算系统

    本文提出了一个基于深度学习的优化框架（IOPO），可以在毫秒之内生成高效节能的任务卸载决策，并且在处理解决方案空间广泛的复杂问题时，相较于其他基准方法性能更优。

    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

  • 可扩展、硬件高效的深度学习集成多元操作光学神经元

    通过使用多操作光神经元 (MOON) 和 Mach-Zehnder 干涉仪 (MOMZI) 构建的光学点积引擎，本文构建了基于 optoelectronic 混合计算的神经网络，并在街景房号识别数据集中实现了 85.89% 的分类精度，相较 传统的 单操作光调制器具有更少的传播损耗、更少的光学延时、更小的设备占地面积和可比的矩阵表达能力

    May, 2023

  • 基于二次幂量化的神经网络能效硬件加速

    通过使用二次幂量化和基于位移乘累加运算代替传统的乘累加运算，以及基于对数量化的新型剪枝方法，本文在基于 Zynq UltraScale + MPSoC ZCU104 SoC FPGA 的硬件神经网络加速器中实现了 Power-of-Two (PoT) 权重，实现了至少 $1.4x$ 的能效提升。

    Sep, 2022

  • 基于图神经网络的新兴技术快速系统技术协同优化框架

    该论文提出一个系统技术共优化 (fast system technology co-optimization, STCO) 框架，通过应用人工智能技术加速 STCO 技术层面，包括使用基于图神经网络 (GNN) 的方法进行 TCAD 仿真和单元库表征，从而实现与传统方法相比超过 100 倍的加速。这些进展支持涵盖新兴与传统技术的全面 STCO 迭代，运行时间加速比从 1.9 倍到 14.1 倍不等。

    Apr, 2024

  • 空间变化的纳米光子神经网络

    光子处理器在能量成本高昂、人工智能计算需求剧增的背景下成为替代传统电子处理器的潜在选择，然而现有的光学神经网络在图像识别准确度上远远低于现代电子神经网络，本研究通过低维重参数模型引入了一种基于大核空间可变卷积神经网络，实现了基于纳米光学结构的光学神经网络在 CIFAR-10 数据集上达到 73.80% 的盲测分类准确度，首次超越现代数字神经网络 AlexNet（72.64%），让光学神经网络跻身于现代深度学习时代。

    Aug, 2023