可编程光子极限学习机介绍

逍遥设计自动化

引言
7 ^; b5 c& s2 }  ~1 b, R% [
近年来，人工智能领域经历了快速发展，导致计算资源需求呈指数级增长。传统电子处理器虽然一直是这些进展的基础，但在带宽和能源效率方面存在局限性。这促使研究人员探索替代计算方案，其中光子神经网络显示出优良的发展潜力[1]。

wetgekmf05h6401357245.png

光计算具有独特优势，包括复值运算、多维处理能力和并行计算，同时可实现高带宽和低延迟。然而，在光子系统中实现传统神经网络训练方法（如反向传播）仍面临挑战。极限学习机（ELM）在这方面提供了一个优秀的解决方案。
4 x% f7 W+ \7 @- Y& |$ ?

l4as4h5tqwl6401357345.png

8 t1 F! g# Z) X. `8 V图1展示了极限学习机的架构和光子系统实现的实验设置。图中显示：(a) ELM的基本结构，包括输入层、随机隐藏层和输出层；(b) 使用六边形网格的实验设置示意图；(c) 不同的可编程单元状态。
理解极限学习机

7 z, S' l* c, O- R! ]极限学习机采用创新的神经网络设计方法，显著简化了训练过程。与需要训练所有层的传统神经网络不同，ELM使用固定的随机隐藏层，只训练输出层。这种方法将输入数据随机投影到更高维度的空间，使分类变得线性化，大大减少了计算需求，同时保持了出色的性能。
. c, j( g8 h% k; O2 H; W
. J( C0 Y: O" Y: z6 `$ xELM的数学基础可以通过两个关键方程表达：

$ x: S6 q4 O: {: e6 ^; nH = f(WX + b)
/ g- G( k2 e. x3 O- J1 v3 C$ E
' a3 I" `; g% ~6 G; Y3 a' K其中H表示输入状态X的非线性随机投影，W是随机权重矩阵，b表示偏置。输出计算为：

β = H?T

其中β表示可训练的输出权重，T是真实目标矩阵。
可编程光子实现

9 u$ N  J; e5 d8 a1 ~5 e& z% Z研究人员使用iPronics公司的商用Smartlight处理器展示了可编程光子极限学习机（PPELM）。该处理器具有72个可编程单元组成的六边形网格，这些单元以平衡的马赫-曾德尔干涉仪形式实现，具有28个输入-输出光端口。
: l4 |6 |& c9 d+ {

vnotkghvmps6401357445.png

2 G+ ]8 ?2 I6 r0 [  J图2展示了三种不同分类任务的准确率结果：(a) 头部识别，(b) 鸢尾花分类，(c) 钞票认证，显示了系统在不同隐藏节点数量下的性能。

实现过程包括以下关键步骤：
使用光纤阵列将光耦合到光子芯片
创建分光器树，将光分成多条路径
在幅度和相位中编码输入数据
通过可编程单元实现随机变换
使用集成光电探测器应用非线性
, \; R/ e) b- a# u' h* z数字化训练输出层
[/ol]性能提升技术
' b9 z0 l5 Y. o' c
研究人员引入了两种创新方法来提高系统性能：
4 m" ^. s* i1 e7 j: D
* Q5 i& {" B+ G& C) }7 w5 a1. 进化优化：
5 v: ]* [! q3 I& X: u' b- p! c使用差分进化算法（DE-PPELM）优化随机隐藏层初始化。这种技术在使用较少隐藏节点的情况下显著提高了准确率。
/ l+ h3 [# U, L

ls20dssrw3s6401357545.png

3 T! h& S! l. Z# g/ D  l* P图3展示了鸢尾花数据集分类任务中，在DE-PPELM优化过程中，不同隐藏节点数量下训练和验证准确率的演变。

# Y* e. G# q, X. I$ k( ^2. 波分复用（WDM）：
研究人员实现了使用WDM的集成方法，可以使用不同波长进行并行计算。

51hbdw23ma26401357645.png

' E  Z- z* d# B6 e图4展示了使用WDM的集成极限学习机，显示了多个波长如何同时复用和处理以提高分类准确率。
实验结果
1 f8 M5 D! _# j( v7 p! g$ @' e
& f6 ~. {+ j9 `, y4 p# N6 |0 c$ ZPPELM在三个分类任务上进行了测试：
) ?7 W  O& A( a4 z% @头部识别：使用10个隐藏节点达到98.6%的准确率
' L, w( h3 m6 v/ H2 Y0 a鸢尾花分类：使用10个隐藏节点达到95.8%的准确率
( V( r5 N* Q* T1 w5 D钞票认证：使用10个隐藏节点达到90.3%的准确率
% ~/ y8 c2 ^5 i4 c: m
9 P7 n. |5 h* [+ g3 V8 Z& m1 _WDM集成方法进一步改善了这些结果，在使用20个波长时，钞票分类任务的准确率达到99.1%。
2 U5 K9 g2 t7 u" S6 o2 F8 k总结

. `1 C, x4 g7 O2 }  p4 e

n33rvayymrc6401357745.png

3 {/ ?2 v" q6 j+ x; T, f图5展示了(a)插入损耗和(b)位精度作为矩阵大小和MZI损耗的函数关系，展示了系统的可扩展性。

PPELM的成功实现代表了光子神经网络的重要进展。该系统能够以相对较少的隐藏节点实现高分类准确率，结合系统的可编程性和可扩展性，在未来人工智能硬件应用中具有重要意义。这项研究表明，可编程光子处理器能够有效实现机器学习模型，同时在速度、能源效率和计算能力方面具有优势。
参考文献
; c) q  f! I7 F" W4 r
[1] J. R. Rausell-Campo, A. Hurtado, D. Pérez-López and J. Capmany Francoy, "Programmable Photonic Extreme Learning Machines," Laser & Photonics Reviews, vol. 2025, no. 2400870, pp. 1-10, 2025.
END
; w6 m9 a7 S' d  v9 c% d/ G& X软件试用申请欢迎光电子芯片研发人员申请试用PIC Studio,其中包含：代码绘版软件PhotoCAD，DRC软件pVerify，片上链路仿真软件pSim，光纤系统仿真软件pSim+等。更多新功能和新软件将于近期发布，敬请期待！
. |5 w+ i2 j' Q# f4 k6 G点击左下角"阅读原文"马上申请
5 G/ U; a  r- s0 s
欢迎转载
2 c/ d$ [* u6 M5 i" D- J3 v
转载请注明出处，请勿修改内容和删除作者信息！

3 D+ l2 x  L5 h2 ]; W4 D

  M& S9 E5 _! z2 i- H% J

aavzhr0p4ej6401357845.gif

8 R  d9 c- i8 u, F
关注我们

4 Y1 S/ G! v* ~! `7 J/ _

puzzpei3kyt6401357945.png

yarvmwv5efe6401358045.png

jqtez0r2iod6401358145.png 4 W' ?- l7 [0 L: _, U

                     


8 Z" U  f% F" n: @
关于我们：
2 X, f$ u: T" t4 g! C  B. o& n! s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。

' r$ s7 L0 ^- z) Y+ K# F7 n" H) qhttp://www.latitudeda.com/
9 J$ }  \: c( b: _( T（点击上方名片关注我们，发现更多精彩内容）