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。
' I5 K% w5 P, E# j: c% n1 v8 K1 e* ?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。

5 j8 d5 k% e# Y0 p" n& `光计算基础
! V. D( s; A+ Q# H0 n7 W" J( o' X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。

4pv52a3kqku6407745425.png

3 n: t4 _3 N0 Z3 l2 R+ M$ \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。
& u3 f6 d, H7 ^" Z. v) D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
CrossLight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。

hdv40znuf1f6407745525.png

7 f: N' n+ P$ {. V1 g4 I; w' f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%。
3 F9 F6 ~) z2 T2 Q- X3 I4 ]" e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。
( ?$ J& w- y3 b" c2 J" M+ O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。
0 C2 n  i0 }4 V

1q2ag15zr5n6407745625.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。
+ p4 O" t! f1 T( g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。
& U8 }: \( M) i  E  m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。
. p- u+ C# A3 K

zk1xbolbcjt6407745726.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。
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。
' c  D5 i" e% \/ l. X! A. y1 b3 Y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。
$ I. m$ q+ ~  ]4 w- f( K7 `

hgvq4apes4o6407745826.png

2 m0 L, y7 u4 L- {9 n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。
& q- ^6 L3 v# [1 W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。
# k& j: C( R- F) @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。
4 d$ l4 g, S1 ]4 A& }' ?( R, p+ X

ds1gwxks5up6407745926.png

2 D. R( t. h# T$ M* I图6比较了CrossLight各变体与光电子和电子加速器平台的功耗。
1 Y) l' B* |3 o7 Q0 r7 {3 i' a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。

vk1wwklqxez6407746026.png

0 A1 Y' }: c' ]# a图7比较了光电子DNN加速器的每比特能耗（EPB）值。
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。
: h/ C8 a: z, F* u8 V4 G8 hCrossLight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。
( j1 d% Z! K6 x' |6 uCrossLight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。
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.
! \0 e9 [- h2 @' ?: T8 g+ T  A- END -
7 E! @' h. o9 _. I/ _# F5 b
  M+ e9 Y; a+ l8 t# Y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。
; [2 V; @0 n; I* s: K点击左下角"阅读原文"马上申请

欢迎转载
% W5 c* M2 S5 Y2 a0 k) X8 e/ v
转载请注明出处，请勿修改内容和删除作者信息！
; S- r6 w* X) J. d* v


4 L* c& o2 @, }% b6 |" ^

2nxeukl4gmg6407746126.gif

1 k. z3 |/ z( K1 K1 Y7 j, i关注我们
# B; v4 J6 R1 C3 K
- `3 J' L8 c8 N

! e! y; B+ u3 q8 {( { urjgobttdj46407746226.png

P: Z% f2 |, }8 x4 }3 N p1gldr1aa3m6407746326.png 1 Z, U9 R, `! z# ^) q2 B: c7 y+ i+ [

) W+ _0 Z- c( }$ @, C2 Z k5zvs42z5od6407746426.png - N  f. d2 j. d( T  M! H' u

                     



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。

! z: \% H& c* P7 v8 mhttp://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）