論文の概要: Characterization and Optimization of Integrated Silicon-Photonic Neural
Networks under Fabrication-Process Variations
- arxiv url: http://arxiv.org/abs/2204.09153v1
- Date: Tue, 19 Apr 2022 23:03:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-16 08:38:54.735053
- Title: Characterization and Optimization of Integrated Silicon-Photonic Neural
Networks under Fabrication-Process Variations
- Title（参考訳）: 製造過程の変化を考慮したシリコン・フォトニックニューラルネットワークのキャラクタリゼーションと最適化
- Authors: Asif Mirza, Amin Shafiee, Sanmitra Banerjee, Krishnendu Chakrabarty,
Sudeep Pasricha, Mahdi Nikdast
- Abstract要約: シリコンフォトニックニューラルネットワーク(SPNN)は、電子人工知能(AI)アクセラレーターの後継として期待されている。
SPNNの基盤となるシリコンフォトニックデバイスは、光学リソグラフィーの不完全性から生じる避けられない製造過程の変動(FPV)に敏感である。
本研究では,SPNNにおける異なるFPVに対するMZI耐性を改善するために,新しい変動認識型設計時最適化手法を提案する。
- 参考スコア（独自算出の注目度）: 8.690877625458324
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Silicon-photonic neural networks (SPNNs) have emerged as promising successors
to electronic artificial intelligence (AI) accelerators by offering orders of
magnitude lower latency and higher energy efficiency. Nevertheless, the
underlying silicon photonic devices in SPNNs are sensitive to inevitable
fabrication-process variations (FPVs) stemming from optical lithography
imperfections. Consequently, the inferencing accuracy in an SPNN can be highly
impacted by FPVs -- e.g., can drop to below 10% -- the impact of which is yet
to be fully studied. In this paper, we, for the first time, model and explore
the impact of FPVs in the waveguide width and silicon-on-insulator (SOI)
thickness in coherent SPNNs that use Mach-Zehnder Interferometers (MZIs).
Leveraging such models, we propose a novel variation-aware, design-time
optimization solution to improve MZI tolerance to different FPVs in SPNNs.
Simulation results for two example SPNNs of different scales under realistic
and correlated FPVs indicate that the optimized MZIs can improve the
inferencing accuracy by up to 93.95% for the MNIST handwritten digit dataset --
considered as an example in this paper -- which corresponds to a <0.5% accuracy
loss compared to the variation-free case. The proposed one-time optimization
method imposes low area overhead, and hence is applicable even to
resource-constrained designs
- Abstract（参考訳）: シリコンフォトニックニューラルネットワーク(SPNN)は、レイテンシの桁違いとエネルギー効率の向上によって、電子人工知能(AI)アクセラレーターの後継として期待されている。
しかしながら、SPNNの基盤となるシリコンフォトニックデバイスは、光学リソグラフィーの不完全性から生じる避けられない製造過程の変動(FPV)に敏感である。
その結果、SPNNにおける推論精度は、FPV(例えば10%以下に低下する)の影響を強く受けることができ、その影響はまだ完全に研究されていない。
本稿では,マッハ・ツェンダー干渉計(MZI)を用いたコヒーレントSPNNにおいて,導波路幅とシリコンオン絶縁体厚さにおけるFPVの影響をモデル化し,検討した。
このようなモデルを活用することで、spnnにおける異なるfpvsに対するmzi耐性を改善するための設計時間最適化ソリューションを提案する。
現実的で相関のあるfpvsの下で異なるスケールの2つの例spnのシミュレーション結果は、最適化されたmziは、mnist手書きの数値データセットに対して最大93.95%の参照精度を向上させることができることを示している。
提案したワンタイム最適化手法は,低領域オーバーヘッドを課し,資源制約設計にも適用可能である。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Hardware-Software Co-optimised Fast and Accurate Deep Reconfigurable Spiking Inference Accelerator Architecture Design Methodology [2.968768532937366]
Spiking Neural Networks(SNN)は、機械学習モデルのエネルギー効率を改善するための有望なアプローチとして登場した。
我々は,ソフトウェア学習深層ニューラルネットワーク(DNN)を高精度スパイキングモデルに移植するハードウェア・ソフトウェア共同最適化戦略を開発した。
論文 参考訳（メタデータ） (2024-10-07T05:04:13Z) - LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。
本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-26T05:23:11Z) - EPIM: Efficient Processing-In-Memory Accelerators based on Epitome [78.79382890789607]
畳み込みのような機能を提供する軽量神経オペレータであるEpitomeを紹介する。
ソフトウェア側では,PIMアクセラレータ上でのエピトームのレイテンシとエネルギを評価する。
ハードウェア効率を向上させるため,PIM対応層設計手法を提案する。
論文 参考訳（メタデータ） (2023-11-12T17:56:39Z) - Analysis of Optical Loss and Crosstalk Noise in MZI-based Coherent
Photonic Neural Networks [8.930237478906266]
シリコンフォトニックベースのニューラルネットワーク(SP-NN)アクセラレーターは、電子加速器に代わる有望な代替品として登場した。
本稿ではボトムアップ手法を用いて,光損失とクロストークノイズを包括的にモデル化する。
異なるスケールのSP-NNに対して,高出力のペナルティと破滅的推論精度が最大84%低下することを示す。
論文 参考訳（メタデータ） (2023-08-07T02:01:18Z) - Improving Realistic Worst-Case Performance of NVCiM DNN Accelerators
through Training with Right-Censored Gaussian Noise [16.470952550714394]
我々は,CiM加速器上で実行されているDNNモデルの現実的な最悪の性能を,k-th- percentile Performance (KPP) を用いて捉えることを提案する。
本手法は, デバイス変動の影響下でのロバスト性向上のための最先端手法と比較して, KPPの最大26%の改善を実現している。
論文 参考訳（メタデータ） (2023-07-29T01:06:37Z) - Characterizing Coherent Integrated Photonic Neural Networks under
Imperfections [7.387054116520716]
従来の電子AIアクセラレータの後継として、統合フォトニックニューラルネットワーク(IPNN)が登場している。
本稿ではボトムアップ手法を用いて,IPNNにおける不確実性と不正確性の影響を系統的に評価する。
論文 参考訳（メタデータ） (2022-07-22T01:33:19Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳（メタデータ） (2022-05-27T03:24:31Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Modeling Silicon-Photonic Neural Networks under Uncertainties [4.205518884494758]
シリコンフォトニクスニューラルネットワーク(spnn)は、デジタル電子回路に比べて計算速度とエネルギー効率が大幅に向上する。
しかし,SPNNのエネルギー効率と精度は,製造過程や温度変化から生じる不確実性の影響が大きい。
MZI(Mch-Zehnder Interferometer)ベースのSPNNの分類精度に対するランダム不確実性の影響に関する最初の包括的かつ階層的研究を提示する。
論文 参考訳（メタデータ） (2020-12-19T04:41:26Z) - Toward fast and accurate human pose estimation via soft-gated skip
connections [97.06882200076096]
本稿では,高精度かつ高効率な人間のポーズ推定について述べる。
我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。
本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
論文 参考訳（メタデータ） (2020-02-25T18:51:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。