Resumo Técnico: Núcleo de Tensor Fotônico Totalmente Multiplexado (FieldCore)

Declaração do Problema

Operações tensoriais, particularmente multiplicações de matrizes e convoluções, são a espinha dorsal computacional da inteligência artificial moderna e do processamento de sinais de alto rendimento. Embora os aceleradores eletrônicos tenham escalado através da replicação de arrays de unidades de processamento, eles enfrentam gargalos crescentes relacionados aos custos de movimentação de dados através de hierarquias de memória e interconexões. A computação fotônica oferece uma alternativa promissora ao aproveitar o paralelismo inerente dos campos ópticos. No entanto, os processadores fotônicos existentes normalmente exploram apenas dimensões isoladas (por exemplo, multiplexação por divisão de comprimento de onda ou processamento no domínio do tempo) ou dimensões combinadas parcialmente. Um desafio crítico permanece: à medida que mais dimensões ópticas são engajadas, imperfeições como não-ortogonalidade, dispersão e não-idealidades de fabricação quebram a uniformidade da computação entre os canais. Consequentemente, há uma falta de um framework geral que possa aproveitar sistematicamente todas as dimensões de multiplexação nativas dos sinais ópticos guiados (comprimento de onda, radiofrequência, modo guiado, espaço e tempo) simultaneamente, preservando uma computação de alta fidelidade e uniforme em todo o espaço do sinal.

Metodologia

Os autores introduzem o FieldCore, um núcleo de tensor fotônico totalmente multiplexado projetado para superar essas limitações ao aproveitar conjuntamente cinco dimensões: comprimento de onda, subportadora de radiofrequência (RF), modo guiado, espaço e tempo.

Arquitetura e Princípio

O FieldCore opera sob o princípio de que um campo óptico guiado pode ser expandido através de múltiplas dimensões ortogonais para formar um tensor de ordem superior. O sistema mapeia os dados de entrada nessas dimensões, permitindo que um único chip fotônico realize paralelismo multiplicativo.

• Representação do Sinal: O campo óptico é representado como uma soma sobre frequências de portadora óptica ($\omega_\ell$), modos próprios vetoriais ($\psi_m$) e deslocamentos de subportadora de RF ($\Omega_n$).
• Implementação de Hardware: O núcleo é implementado como um crossbar $K \times R$ em uma plataforma de silício sobre isolante (SOI). Ele integra blocos construtivos projetados por inversão (inverse-designed) para garantir compacidade, resposta de banda larga e tolerância à fabricação.
• Componentes Principais:
  • Metamateriais Digitais Projetados por Inversão: Usados para multiplexadores/demult multiplexadores de modo (MUX/deMUX), divisores de 3-dB e cruzamentos de guia de onda. Eles permitem operação de baixa interferência (crosstalk), banda larga e em escala de $\mu$m.
  • Deslocadores de Fase Insensíveis ao Modo (MIPS): Projetados através do alargamento de guias de onda para equalizar a resposta termo-óptica dos modos TE0 e TE1, garantindo a invariância de peso através da dimensão do modo.
  • Roteamento e Ponderação Programáveis: Acopladores sintonizáveis (interferômetros Mach-Zehnder de duas portas) e multiplicadores (atenuadores MZI de porta única) distribuem sinais e aplicam pesos analógicos.
  • Acumulação: Somadores sintonizáveis realizam a soma ponderada através de canais de entrada espaciais.

Fluxo Operacional

1. Entrada: Fluxos temporais são subida de frequência (up-converted) para subportadoras de RF, modulados em comprimentos de onda específicos e mapeados para modos guiados via MUX no chip.
2. Processamento: Os sinais são roteados através do crossbar onde passam por acumulação ponderada paralela. A mesma matriz de pesos é aplicada uniformemente através de todos os slices multiplexados (RF, comprimento de onda, modo, tempo).
3. Saída: A multiplexação é revertida nos domínios óptico e elétrico para recuperar os slices tensoriais paralelos.

Principais Contribuições

1. Núcleo de Tensor Multidimensional Unificado: O FieldCore é o primeiro núcleo de tensor fotônico integrado a unificar comprimento de onda, RF, modo guiado, espaço e tempo dentro de um único framework, convertendo dimensões paralelas nativas em paralelismo de nível tensorial multiplicativo.
2. Computação Uniforme por Dimensão: O design alcança computação de alta fidelidade em todas as dimensões. Isso é validado por:
   • Invariância de Modo: Uso de MIPS para manter a ponderação consistente para os modos TE0 e TE1.
   • Planicidade de Banda Larga: Garantia de respostas espectralmente planas para as dimensões de comprimento de onda e RF.
3. Blocos de Construção Fotônicos Projetados por Inversão: O uso de componentes de metamateriais digitais projetados por inversão permite operação multimodo compacta, de banda larga (>40 nm) e baixo crosstalk (< -20 dB), essencial para manter a consistência dos canais.
4. Arquitetura Escalável: O sistema suporta até 1.800 fluxos de entrada paralelos dentro de um único núcleo, estabelecendo um paradigma escalável para computação tensorial fotônica.

Resultados Experimentais

Os autores fabricaram um chip FieldCore $4 \times 4$ (2,55 $\times$ 2,58 mm$^2$) e validaram seu desempenho através de verificação aritmética e tarefas de inferência complexas.

Verificação Aritmética

• Velocidade e Precisão: O sistema demonstrou operações de multiplicar-acumular (MAC) com precisão superior a 5 bits em taxas de símbolo de até 120 GBaud para ambos os modos TE0 e TE1.
• Estabilidade de Comprimento de Onda: As variações de precisão ao longo da banda C (1530–1565 nm) foram inferiores a 0,7 bits em relação à referência de 1550 nm.
• Escalabilidade de RF: O sistema suportou até 100 subportadoras de RF em uma única portadora óptica com uma taxa de baud agregada de 50 GBaud, mantendo a precisão de adição de aproximadamente 5 bits.

Demonstrações de Nível de Tarefa

• Convolução de Imagem:
  • Escala de Cinza: Realizou extração de bordas direcionais em uma imagem de 150 $\times$ 150 usando quatro kernels de 2 $\times$ 2, alcançando uma razão sinal-ruído de pico (PSNR) de 30,5 dB a 10 GBaud e 23,4 dB a 70 GBaud.
  • RGB: Transmitiu e convoluiu imagens RGB com sucesso usando FDM, preservando detalhes estruturais através de canais e modos.
• Reconhecimento de Dígitos Manuscritos MNIST:
  • Utilizou multiplexação conjunta de comprimento de onda, modo e RF (200 vias de dados paralelas) para processar dígitos manuscritos.
  • Alcançou uma precisão média de 93,8% em todos os canais multiplexados, comparado a uma linha de base digital de 95,0%.

Aplicações de Alta Dimensão e Paralelas

• Classificação Hiperespectral Paralela por Canal: Mapeou 200 bandas espectrais do conjunto de dados Indian Pines para 200 canais paralelos. O sistema alcançou uma precisão de classificação global de 90,8% em 12 classes de cobertura terrestre, correspondendo a uma precisão analógica equivalente de 5,16 bits.
• Diagnóstico de Falhas Mecânicas Paralelo por Instância: Processou 200 instâncias simultâneas de sinais de vibração do conjunto de dados de rolamento CWRU. O sistema alcançou uma precisão global de 95,1% em sete condições operacionais (normal e seis tipos de falha), com desempenho robusto por canal.

Significância e Alegações

O artigo afirma que o FieldCore estabelece uma rota escalável para o processamento tensorial fotônico de alto rendimento e massivamente paralelo em chip. Ao utilizar todas as dimensões de multiplexação nativas dos sinais ópticos guiados, o FieldCore aborda as limitações dos atuais sistemas eletrônicos e fotônicos parcialmente multiplexados.

• Vazão (Throughput): Os autores estimam um rendimento computacional agregado de 69,12 Tera Operações Por Segundo (TOPS) em um regime de maximização de vazão.
• Paralelismo: A arquitetura pode acomodar até 1.800 fluxos de entrada paralelos dentro de um único núcleo, um nível de paralelismo nativo difícil de alcançar em processadores eletrônicos convencionais que dependem de replicação de núcleos ou agendamento sequenciado no tempo.
• Generalização: O trabalho fornece um framework geral para computação fotônica totalmente multiplexada que pode ser estendido para outras arquiteturas e sistemas de materiais, oferecendo um caminho para superar os gargalos de movimentação de dados das cargas de trabalho de IA modernas.

Os autores enfatizam que o sistema preserva uma computação programada uniforme em todos os canais multiplexados, um requisito crítico para o processamento tensorial de alta fidelidade que demonstrações multidimensionais anteriores lutaram para manter.