Photonics approaches to the implementation of neuromorphic computing

Capa

Citar

Texto integral

Resumo

Physical limitations on the operation speed of electronic devices has motivated the search for alternative ways to process information. The past few years have seen the development of neuromorphic photonics—a branch of photonics where the physics of optical and optoelectronic devices is combined with mathematical algorithms of artificial neural networks. Such a symbiosis allows certain classes of computation prob„lems, including some involving artificial intelligence, to be solved with greater speed and higher energy efficiency than can be reached with electronic devices based on the von Neumann architecture. We review optical analog computing, photonic neural networks, and methods of matrix multiplication by optical means, and discuss the advantages and disadvantages of existing approaches.

Sobre autores

Alexander Musorin

Lomonosov Moscow State University, Faculty of Physics

Candidate of physico-mathematical sciences, no status

Aleksandr Shorokhov

Lomonosov Moscow State University, Faculty of Physics

Email: shorokhov@nanolab.phys.msu.ru
Scopus Author ID: 56311591400
Researcher ID: H-5523-2015

Alexander Chezhegov

Lomonosov Moscow State University, Faculty of Physics

Tigran Baluyan

Lomonosov Moscow State University, Faculty of Physics

Kirill Safronov

Lomonosov Moscow State University, Faculty of Physics

Email: safronov@nanolab.phys.msu.ru

Artem Chetvertukhin

Lomonosov Moscow State University, Faculty of Physics

ORCID ID: 0000-0002-0819-6525
Scopus Author ID: 55055469300
Researcher ID: A-8885-2010
Candidate of physico-mathematical sciences

Andrey Grunin

Lomonosov Moscow State University, Faculty of Physics

Andrei Fedyanin

Lomonosov Moscow State University, Faculty of Physics

Email: fedyanin@nanolab.phys.msu.ru
ORCID ID: 0000-0003-4708-6895
Scopus Author ID: 7005109296
Researcher ID: G-1803-2010
Doctor of physico-mathematical sciences, Professor

Bibliografia

  1. Xu R. et al., Opt. Laser Technol., 136 (2021), 106787
  2. Markovic D. et al., Nat. Rev. Phys., 2 (2020), 499
  3. Xu M. et al., Adv. Funct. Mater., 30 (2020), 2003419
  4. Zhang J. et al., Adv. Intell. Syst., 2 (2020), 1900136
  5. Sunny F. P. et al., ACM J. Emerg. Technol. Comput. Syst., 17:4 (2021), 61
  6. Yao K., Unni R., Zheng Y., Nanophotonics, 8 (2019), 339
  7. Ferreira de Lima Th. et al., Nanophotonics, 6 (2017), 577
  8. Goodman J. W., Dias A. R., Woody L. M., Opt. Lett., 2 (1978), 1
  9. Zuo Y. et al., Optica, 6 (2019), 1132
  10. Liu J. et al., PhotoniX, 2 (2021), 5
  11. Shastri B. J. et al., Nat. Photon., 15 (2021), 102
  12. Silicon Photonics. From Technologies to Markets, Market and Technology Report 2021. Yole Group
  13. Silicon Photonics 2022, Market and Technology Trends. Yole Group
  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
  15. Huang C. et al., Adv. Phys. X, 7 (2022), 1981155
  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), IEEE, Piscataway, NJ, 2022
  17. Clements W. R. et al., Optica, 3 (2016), 1460
  18. Al-Qadasi M. A. et al., APL Photon., 7 (2022), 020902
  19. Shen Y. et al., Nat. Photon., 11 (2017), 441
  20. Bandyopadhyay S., Hamerly R., Englund D., Optica, 8 (2021), 1247
  21. Envise. Lightmatter
  22. High-efficiency multi-slot waveguide nano-opto-electromechanical phase modulator, Grant US-11281068-B2
  23. Feng Y. et al., Opt. Express, 28 (2020), 38206
  24. Baghdadi R. et al., Opt. Express, 29 (2021), 19113
  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), IEEE, Piscataway, NJ, 2018, 2704
  26. Machupalli R., Hossain M., Mandal M., Microprocess. Microsyst., 89 (2022), 104441
  27. Lightelligence
  28. Lightelligence. PACE: Photonic Arithmetic Computing Engine
  29. Qu Y. et al., Sci. Bull., 65 (2020), 1177
  30. Chao C.-Y., Fung W., Guo L. J., IEEE J. Sel. Top. Quantum Electron., 12 (2006), 134
  31. Feldmann J. et al., Nature, 589 (2021), 52
  32. Burr G. W. et al., IEEE J. Emerg. Sel. Top. Circuits Syst., 6 (2016), 146
  33. Wu C. et al., Nat. Commun., 12 (2021), 96
  34. Prabhu M. et al., Optica, 7 (2020), 551
  35. Lucas A., Front. Phys., 2 (2014), 5
  36. Ахманов С. А., Никитин С. Ю., Физическая оптика, 2-е изд., Изд-во Московского ун-та, М., 2004
  37. Goodman J. W., Introduction to Fourier Optics, Roberts and Co., Englewood, CO, 2005
  38. Lin X. et al., Science, 361 (2018), 1004
  39. Yann LeCun's Home Page
  40. Qian C. et al., Light Sci. Appl., 9 (2020), 59
  41. Luo Y. et al., Light Sci. Appl., 8 (2019), 112
  42. Mengu D. et al., IEEE J. Sel. Top. Quantum Electron., 26 (2020), 3700114
  43. Papers with Code. Fashion-MNIST
  44. Papers with Code. Residual Network
  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), IEEE, Piscataway, NJ, 2016, 770
  46. Kulce O. et al., Light Sci. Appl., 10 (2021), 25
  47. Luo X. et al., Light Sci. Appl., 11 (2022), 158
  48. Miscuglio M. et al., Optica, 7 (2020), 1812
  49. The CIFAR-10 dataset
  50. Colburn S. et al., Appl. Opt., 58 (2019), 3179
  51. Krizhevsky A., Sutskever I., Hinton G. E., Advances in Neural Information Processing Systems, v. 25, F. Pereira et al., Curran Associates Inc., Red Hook, NY, 2012, 1097
  52. Kaggle. Datasets. Cats-vs-Dogs: image dataset for binary classification
  53. Yan T. et al., Phys. Rev. Lett., 123 (2019), 023901

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».