硅基光电子技术在深度学习加速中的应用：CrossLight介绍

逍遥设计自动化

引言随着深度神经网络（DNNs）在各种应用中变得越来越复杂和普遍，对高效硬件加速器的需求比以往任何时候都更为迫切。在后摩尔定律时代，传统电子加速器面临着基本限制，在带宽和能效方面造成瓶颈。硅基光电子技术应运而生，可为深度学习加速提供节能、超高带宽和低延迟的解决方案。
本文介绍CrossLight，新型硅基光电子神经网络加速器，通过跨层设计方法解决光计算中的关键挑战。将探讨光计算的基础知识、CrossLight的架构以及与最先进加速器的性能比较。

光计算基础
" r/ B' i! z$ m- g* z% @, [在深入了解CrossLight之前，让我们先了解深度学习光计算的基础知识。光加速器通常使用广播和权重（B&W）配置来执行矩阵-矢量乘法，这对DNN中的卷积（CONV）和全连接（FC）层都是必不可少的。
; F9 Q! F) L. S4 |6 ]+ p5 d

vndjbb4wr4k6405695118.png

图1显示了基于非相干广播和权重（B&W）的光电子神经元配置。
在此配置中，输入值通过调制器印刻在不同波长的光上。然后，这些波长被合并并分成多个分支，每个分支由微环谐振器（MRs）加权。加权信号通过光电探测器求和，完成矩阵-矢量乘法运算。
这种设置中的关键组件是微环谐振器（MR）。MR可以调谐以改变特定波长的能量，有效地在光域中实现乘法运算。
CrossLight架构
3 c: ~, y* ?4 S& D9 A  wCrossLight采用跨层方法优化光加速，解决设备、线路和架构层面的挑战。
/ D' p- _6 P  A9 L

rcw4xofdo3b6405695218.png

图2展示了CrossLight非相干硅基光电子神经网络加速器的高级概述。
设备级优化在设备级别，CrossLight引入了优化的MR设计，对制造工艺变化（FPVs）更具弹性。通过全面的设计空间探索，研究人员发现，使用400纳米的输入波导宽度和800纳米的环形波导宽度可以将由FPV引起的不期望的谐振波长偏移减少70%。
线路级优化为解决紧密排列的MR之间的热串扰问题，CrossLight采用了结合热光（TO）和电光（EO）调谐的混合调谐方法。与传统的仅TO调谐方法相比，这种方法可以实现更快的操作速度和更低的功耗。
此外，CrossLight采用了称为热特征分解（TED）的方法，可以集体调谐MR组中的所有MR，有效地以较低的功耗消除热串扰效应。
2 N1 w: }0 o& }# D0 P! ]2 ~

a1mbmdzge1b6405695318.png

图3显示了10个制造的MR块中相邻MR对之间距离可变时的相位串扰比和调谐功耗。
架构级优化CrossLight为CONV和FC层加速引入了单独的矢量点积（VDP）单元，认识到这些层的不同计算需求。这种分离允许更高效地处理这两种类型的层。
该架构还在VDP单元内实现了波长重用策略，减少了所需的激光器总数，从而降低了功耗。通过将较大的矢量分解为较小的矢量，并在VDP单元内的多个分支上执行并行计算，CrossLight在并行性和激光器功率需求之间实现了平衡。
性能分析为评估CrossLight的性能，研究人员使用四个不同复杂度的DNN模型进行了广泛的模拟。
分辨率分析CrossLight的一个主要优势是能够实现高分辨率计算。虽然一些光加速器限制在2-4位分辨率，但CrossLight可以为其MR组实现高达16位的分辨率。

ajq0l4vbmzq6405695418.png

图4演示了四个DNN模型在权重和激活的量化（分辨率）范围从1位到16位时的推理准确性。
! k  V4 N3 j3 b, X9 X9 k这种高分辨率对于维持模型准确性很重要，特别是对于在具有挑战性的数据集上训练的复杂模型。
3 e' w& a: a) F9 i# H敏感性分析研究人员进行了敏感性分析，以确定CrossLight的最佳配置，改变CONV和FC层加速器的VDP单元的数量和复杂度。

yipnw3evhz36405695518.png

图5是散点图，显示了各种CrossLight配置的平均每秒帧数（FPS）与平均每比特能耗（EPB）与面积的关系。
最佳配置是基于最高的FPS/EPB比率选择的，平衡了性能和能效。
8 w8 z( z5 _2 |, @与最先进加速器的比较CrossLight与两个著名的光加速器（DEAP-CNN和Holylight）以及几个电子加速器（包括GPU和CPU）进行了比较。

mtx404baupp6405695619.png

/ d( s/ R' v3 r, k8 d9 z图6比较了CrossLight各变体与光电子和电子加速器平台的功耗。
结果显示，CrossLight，特别是在优化配置（Cross_opt_TED）中，实现了比其他光加速器和传统CPU/GPU平台更低的功耗，尽管功耗仍高于一些专用电子加速器。

1gbbpwqp4hk6405695719.png

/ U5 F# O+ T+ i" k# Y; e图7比较了光电子DNN加速器的每比特能耗（EPB）值。
1 U+ w: a7 u1 I9 Y" p9 E7 E* i在能效方面，CrossLight显著优于其他光加速器，平均比DEAP-CNN和Holylight分别低1544倍和9.5倍的EPB。
CrossLight的性能优势源于全面考虑了光系统中的各种损耗和串扰，以及在设备、线路和架构层面采用新方法来减轻影响。
结论CrossLight展示了光电子神经网络加速器中跨层优化的潜力。通过解决硬件栈多个层面的挑战，与最先进的光电子和电子加速器相比，在能效和每瓦性能方面实现了显著改进。
随着硅基光电子制造工艺的不断成熟，我们可以期待设备调谐成本、损耗和激光器功率开销进一步降低。这一趋势可能会加强光域加速器在深度学习推理任务中的地位。
8 \/ v) {+ w2 Z5 G1 O  mCrossLight的成功突出了在设计下一代硬件加速器时采用全面、跨层方法的重要性。随着我们推动人工智能和机器学习的边界，这种创新架构将在实现更高效和强大的计算系统方面发挥关键作用。
$ D, F1 \$ ]# ~" j  U6 M+ }$ Y0 _参考文献[1]M. Nikdast, S. Pasricha, G. Nicolescu, and A. Seyedi, Eds., Silicon Photonics for High-Performance Computing and Beyond, 1st ed. Boca Raton, FL, USA: CRC Press, 2021.
: m" r7 F% T. L4 `- END -
/ Y8 L9 d. f, c2 M& X
6 N( b$ Z; U$ N" Q- v* c9 J软件申请我们欢迎化合物/硅基光电子芯片的研究人员和工程师申请体验免费版PIC Studio软件。无论是研究还是商业应用，PIC Studio都可提升您的工作效能。
: X: P1 R, A/ B5 _点击左下角"阅读原文"马上申请

欢迎转载
) ?0 @! e! ^3 Z3 i7 i
4 P! }1 K& |2 `& ?9 Y/ ]转载请注明出处，请勿修改内容和删除作者信息！

) q8 F% R! M: f! m! Z

i04sdcaxjtp6405695819.gif

$ W+ y4 i6 ~4 E5 c3 d6 I
; l8 ~7 R$ L8 r) ?关注我们

* t* d4 R$ r1 y% `& `9 q fhdji2uy4fr6405695919.png 6 S. p( T- v# R9 U/ L2 k: R

toe11bamh4p6405696019.png

& I* G" l, @1 S7 E8 G6 H8 X wyfszhdjarq6405696119.png 2 `* S: [( @: c9 E* G+ I8 [1 l' A

                     


* B  {5 \. Q+ O1 w
2 y+ D7 j7 n! E" w  v3 b% |) r关于我们：
深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
4 b2 F, ]4 g) }& C; A7 b
* r  _; z& ~8 d; [' Dhttp://www.latitudeda.com/
! [* }# |+ d) y) J% t: {$ O- b（点击上方名片关注我们，发现更多精彩内容）