作者
袁成,张佳宁,周天匡,王玉燕,徐志豪,袁晓云 & 卢芳
摘要
可扩展、高容量和低功耗的计算架构是日益繁多和大规模的机器学习任务的主要保证。传统耗电处理器的传统电子人工智能体面临着能源和缩壁的问题,阻碍了它们持续的性能提升和迭代多任务学习。参考光的另一种形式,光子计算已逐步应用于高效的神经形态系统。在这里,我们创新了一种可重构的终身学习光学神经网络,用于高度集成的数十任务机器智能,并具有精心设计的算法-硬件协同设计。得益于大规模光子连接中固有的稀疏性和并行性,L2ONN通过自适应激活相干光场中的稀疏光子神经元连接来学习每个任务,同时通过逐渐扩大激活来逐步获得各种任务的专业知识。多任务光学特征由分配不同波长的多光谱表示并行处理。对自由空间和片上架构的广泛评估证实,L2ONN避免了光子计算的灾难性遗忘问题,拥有使用单个模型挑战数十项任务的多功能技能。特别是,L2ONN的效率比具有代表性的电子人工神经网络高出一个数量级以上,容量比现有的光学神经网络高出14×同时在每项任务上都保持了竞争力。所提出的光子神经形态架构指出了一种新的终身学习方案,允许终端/边缘AI系统具有光速效率和前所未有的可扩展性。