光コンピューティング：オンチップ逆伝播訓練を用いる統合フォトニックニューラルネットワーク

スケーラブルな統合型のフォトニックニューラルネットワーク（PNN）のロバストで再現性のある性能は、それらの訓練の質に強く依存する。勾配に基づく逆伝播法は、そのスケーラビリティー、汎用性、実装効率のおかげで、デジタルニューラルネットワークを訓練するアルゴリズムの主流となっている。その結果として、全光方式によるフォトニックプラットフォーム内でこれを実装することに関心が集まっている。現状では、スケーラブルなオンチップ活性化勾配が欠如しているため、PNNの訓練は、不可避なデバイス間のばらつきや環境変動の存在下で性能が低下する、デジタルコンピューターを用いた逆伝播実行、あるいは、逆伝播訓練の汎用性を十分に享受できない勾配フリーのアルゴリズムに依存してきた。今回我々は、オンチップでの勾配降下逆伝播法を用いてエンド・ツー・エンドで訓練された、統合フォトニック深層ニューラルネットワークを実証したことを報告する。全ての線形および非線形の演算は、単一のフォトニックチップ上で実行される結果、製造により生じる顕著だが典型的なデバイスのばらつきにもかかわらず、スケーラブルでロバストな訓練につながった。2つの非線形データ分類タスクでは、チップの性能は、デジタルコンピューターを使用せずとも、精度（90％以上）とロバスト性の点で参照のデジタルモデルと同等の性能を示した。逆伝播訓練の利点をPNNに統合することで、将来のスケーラブルで信頼性の高いフォトニック・コンピューティング・システムのための、さまざまなPNNアーキテクチャーへの汎用化が見込まれる。

目次へ戻る