On-chip 1 TOPS Hyperdimensional Photonic Tensor Core using a WDM Silicon Photonic Coherent Crossbar
本文提出了一种片上0.96 TOPS超维光子张量核心，该核心采用时空波分复用的硅光子交叉阵列，实现了低误差的高速张量 - 向量乘法，展现了有效的AI分类性能，并提供了一条通往POPS级计算吞吐量的可扩展路径。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试解决一个庞大而复杂的数学谜题。在人工智能（AI）的世界里，这些谜题涉及将巨大的数字网格（矩阵）与数字列表（向量）相乘。用传统电子计算机来做这件事，就像试图一次用一杯水搬完整个游泳池的水：虽然可行，但速度缓慢且能耗巨大。
本文介绍了一种全新的、超高速的“光子”（基于光）引擎，旨在瞬间解决这些谜题。以下是他们如何实现这一点的简明解释：
问题：数据过多，空间不足
将标准计算机芯片想象成一个小厨房。如果你试图在这个小厨房里为千人准备盛宴（一个巨大的 AI 模型），你会耗尽台面空间并烧坏炉灶。研究人员希望建造一个能够处理海量数据而不会耗尽空间或能量的“厨房”。
解决方案：三维高速公路
该团队构建了一个特殊的“交叉开关”（光路网格），利用三种不同的技巧同时移动数据。他们将其称为TSWDM（时空波分复用）。
- 空间（车道）： 想象一条拥有多条车道的公路。他们并没有让一辆车（数据）在一条路上行驶，而是构建了一个并排多条车道的网格。这就是“空间”部分。
- 时间（交通流）： 想象这些车道繁忙到车辆像传送带一样连续不断地行驶，一辆接一辆。他们组织数学问题，使其以极快的速度连续发生。这就是“时间”部分。
- 波长（颜色编码）： 这是最巧妙的部分。想象他们不只是使用白光，而是利用不同颜色的光（如红、蓝、绿和黄）在同一条道路上同时承载不同的数据流。每种颜色就像一个独立的通道。这就是“波长”部分。
通过结合这三者，他们创造了一个“高维”引擎。这就像拥有一条高速公路，车辆在多车道上以连续流行驶，且每条车道涂有不同的颜色，所有车道同时承载数学谜题的不同部分。
实验：“鸢尾花”测试
为了证明这种新引擎有效，他们制造了一个微小的硅芯片（约指甲盖大小，2 平方毫米），作为该系统的 4 车道、2 输入版本。
- 速度： 他们以极高的速度（每秒高达 600 亿个符号）通过芯片传输数据。
- 数学测试： 他们要求芯片执行“张量 - 向量乘法”（一种复杂的数学运算）。芯片在 96% 的情况下得出了正确答案，平均误差仅为 3.9%。
- 现实世界测试： 他们使用该芯片对花朵进行分类（著名的“鸢尾花数据集”）。在中等速度下，芯片正确识别花朵类型的比例为 93.3%；即使将速度推至极限，其准确率仍保持在 83.3%。
为何这很重要（“可扩展性”秘诀）
该论文认为，这种“颜色编码”（波长）技巧是未来的关键。
想象一下，你想构建一个更大版本的芯片来处理更大的 AI 模型。
- 旧方法（仅空间）： 为了获得更多算力，你必须将芯片物理上做得巨大，增加更多车道。但随着芯片变大，光线会变暗，数学运算会变得更混乱（误差更多），需要超强力激光来推动光线通过。
- 新方法（波长）： 通过增加颜色而不是仅仅加宽芯片的物理宽度，他们可以在不需要巨型激光的情况下提升算力。这就像在同一个频段内增加更多的广播电台，而不是建造新的高塔。
结论
研究人员展示了一个可工作的原型，它能在微小的芯片上实现0.96 TOPS（每秒万亿次运算）的算力。他们预测，如果利用他们的“颜色编码”方法将其扩展，最终可以构建出算力高达491.5 TOPS的光子加速器（比当前原型快近 500 倍），同时比传统方法消耗更少的能量和激光功率。
简而言之，他们构建了一个光速数学引擎，利用空间、时间和颜色来比以往更快、更高效地解决 AI 问题，并在现实世界的花朵分类任务中证明了其有效性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。