RSS-ленты
РусскийEnglish
Выпуск 5, 2024
Том год страница
Выпуски Авторы PACS Подписчикам Для авторов

Выпуски

 / 

2023

 / 

Декабрь

←  →

Обзоры актуальных проблем


Подходы фотоники для реализации нейроморфных вычислений

, , , , , , , † 
Московский государственный университет имени М.В. Ломоносова, Физический факультет, Ленинские горы 1 стр. 2, Москва, 119991, Российская Федерация

Физические ограничения скорости работы электронных устройств заставляют искать альтернативные способы обработки информации. Последние несколько лет развивается нейроморфная фотоника — раздел фотоники, объединяющий физику оптических и оптоэлектронных устройств с математическими алгоритмами искусственных нейронных сетей. Подобный симбиоз позволяет решать определённые классы вычислительных задач, в частности некоторые задачи искусственного интеллекта, с большей скоростью и высокой энергоэффективностью по сравнению с электронными устройствами на архитектуре фон Неймана. Рассмотрены оптические аналоговые вычисления, фотонные нейронные сети, способы перемножения матриц оптическими средствами, обсуждаются преимущества и недостатки существующих подходов.

Текст: pdf (Полный текст предоставляется по подписке)
English fulltext is available at DOI: 10.3367/UFNe.2023.07.039505
Ключевые слова: нейроморфная фотоника, искусственный интеллект, машинное обучение, резервуарные вычисления, матрично-векторное умножение, фотонные вычисления, нейронные сети, оптический сопроцессор, фотонные тензорные вычисления, оптическое фурье-преобразование, интегральная фотоника, интерферометр Маха—Цендера, кольцевые резонаторы, волноводы
PACS: 07.05.Mh, 42.79.Hp (все)
DOI: 10.3367/UFNr.2023.07.039505
URL: https://ufn.ru/ru/articles/2023/12/b/
001172931200006
2-s2.0-85183055912
2023PhyU...66.1211M
Цитата: Мусорин А И, Шорохов А С, Чежегов А А, Балуян Т Г, Сафронов К Р, Четвертухин А В, Грунин А А, Федянин А А "Подходы фотоники для реализации нейроморфных вычислений" УФН 193 1284–1297 (2023)
BibTexBibNote ® (generic)BibNote ® (RIS)MedlineRefWorks

Поступила: 8 ноября 2022, доработана: 4 июля 2023, 5 июля 2023

English citation: Musorin A I, Shorokhov A S, Chezhegov A A, Baluyan T G, Safronov K R, Chetvertukhin A V, Grunin A A, Fedyanin A A “Photonics approaches to the implementation of neuromorphic computing” Phys. Usp. 66 1211–1223 (2023); DOI: 10.3367/UFNe.2023.07.039505

Список литературы (53) ↓ Статьи, ссылающиеся на эту (4) Похожие статьи (8)

  1. Xu R et al Opt. Laser Technol. 136 106787 (2021)
  2. Marković D et al Nat. Rev. Phys. 2 499 (2020)
  3. Xu M et al Adv. Funct. Mater. 30 2003419 (2020)
  4. Zhang J et al Adv. Intell. Syst. 2 1900136 (2020)
  5. Sunny F P et al ACM J. Emerg. Technol. Comput. Syst. 17 (4) 61 (2021)
  6. Yao K, Unni R, Zheng Y Nanophotonics 8 339 (2019)
  7. Ferreira de Lima Th et al Nanophotonics 6 577 (2017)
  8. Goodman J W, Dias A R, Woody L M Opt. Lett. 2 1 (1978)
  9. Zuo Y et al Optica 6 1132 (2019)
  10. Liu J et al PhotoniX 2 5 (2021)
  11. Shastri B J et al Nat. Photon. 15 102 (2021)
  12. Silicon Photonics. From Technologies to Markets. Market and Technology Report 2021. Yole Group, https://s3.i-micronews.com/uploads/2021/05/YINTR21175-Silicon-Photonics-2021-Sample.pdf
  13. Silicon Photonics 2022. Market and Technology Trends. Yole Group, https://www.yolegroup.com/product/report/silicon-photonics-2022/
  14. GlobalFoundries Announces Next Generation in Silicon Photonics Solutions and Collaborates with Industry Leaders to Advance a New Era of More in the Data Center. March 7, 2022. GlobalFoundries Press Releases, https://gf.com/gf-press-release/globalfoundries-announces-next-generation-silicon-photonics-solutions-and/
  15. Huang C et al Adv. Phys. X 7 1981155 (2022)
  16. Kirtas M et al "Early detection of DDoS attacks using photonic neural networks" 2022 IEEE 14th Image, Video, and Multidimensional Signal Processing Workshop (IVMSP) (Piscataway, NJ: IEEE, 2022)
  17. Clements W R et al Optica 3 1460 (2016)
  18. Al-Qadasi M A et al APL Photon. 7 020902 (2022)
  19. Shen Y et al Nat. Photon. 11 441 (2017)
  20. Bandyopadhyay S, Hamerly R, Englund D Optica 8 1247 (2021)
  21. Envise. Lightmatter, https://lightmatter.co/products/envise/
  22. "High-efficiency multi-slot waveguide nano-opto-electromechanical phase modulator", Grant US-11281068-B2, https://app.dimensions.ai/details/patent/US-10884313-B2
  23. Feng Y et al Opt. Express 28 38206 (2020)
  24. Baghdadi R et al Opt. Express 29 19113 (2021)
  25. Jacob B et al Proc. of the IEEE Conf. on Computer Vision and Pattern Recognition, CVPR, Salt Lake City, UT, USA, June 18-22, 2018 (Piscataway, NJ: IEEE, 2018) p. 2704
  26. Machupalli R, Hossain M, Mandal M Microprocess. Microsyst. 89 104441 (2022)
  27. Lightelligence, https://www.lightelligence.ai
  28. Lightelligence. PACE: Photonic Arithmetic Computing Engine, https://www.lightelligence.ai/index.php/product/index/2.html
  29. Qu Y et al Sci. Bull. 65 1177 (2020)
  30. Chao C-Y, Fung W, Guo L J IEEE J. Sel. Top. Quantum Electron. 12 134 (2006)
  31. Feldmann J et al Nature 589 52 (2021)
  32. Burr G W et al IEEE J. Emerg. Sel. Top. Circuits Syst. 6 146 (2016)
  33. Wu C et al Nat. Commun. 12 96 (2021)
  34. Prabhu M et al Optica 7 551 (2020)
  35. Lucas A Front. Phys. 2 5 (2014)
  36. Ахманов С А, Никитин С Ю Физическая оптика 2-е изд. (М.: Изд-во Московского ун-та, 2004)
  37. Goodman J W Introduction to Fourier Optics (Englewood, CO: Roberts and Co., 2005)
  38. Lin X et al Science 361 1004 (2018)
  39. Yann LeCun's Home Page, http://yann.lecun.com/exdb/mnist/
  40. Qian C et al Light Sci. Appl. 9 59 (2020)
  41. Luo Y et al Light Sci. Appl. 8 112 (2019)
  42. Mengu D et al IEEE J. Sel. Top. Quantum Electron. 26 3700114 (2020)
  43. Papers with Code. Fashion-MNIST, https://paperswithcode.com/dataset/fashion-mnist
  44. Papers with Code. Residual Network, https://paperswithcode.com/method/resnet
  45. He K et al "Deep residual learning for image recognition" Proc. of the IEEE Conf. on Computer Vision and Pattern Recognition, CVPR, Las Vegas, NV, USA, 27-30 June 2016 (Piscataway, NJ: IEEE, 2016) p. 770
  46. Kulce O et al Light Sci. Appl. 10 25 (2021)
  47. Luo X et al Light Sci. Appl. 11 158 (2022)
  48. Miscuglio M et al Optica 7 1812 (2020)
  49. The CIFAR-10 dataset, https://www.cs.toronto.edu/~kriz/cifar.html
  50. Colburn S et al Appl. Opt. 58 3179 (2019)
  51. Krizhevsky A, Sutskever I, Hinton G E Advances in Neural Information Processing Systems Vol. 25 (Eds F Pereira et al) (Red Hook, NY: Curran Associates Inc., 2012) p. 1097
  52. Kaggle. Datasets. Cats-vs-Dogs: image dataset for binary classification, https://www.kaggle.com/datasets/shaunthesheep/microsoft-catsvsdogs-dataset
  53. Yan T et al Phys. Rev. Lett. 123 023901 (2019)
© Успехи физических наук, 1918–2024
Электронная почта: ufn@ufn.ru Телефоны и адреса редакции О журнале Пользовательское соглашение