論文の概要: SEPhIA: <1 laser/neuron Spiking Electro-Photonic Integrated Multi-Tiled Architecture for Scalable Optical Neuromorphic Computing

• arxiv url: http://arxiv.org/abs/2510.07427v1
• Date: Wed, 08 Oct 2025 18:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.660295
• Title: SEPhIA: <1 laser/neuron Spiking Electro-Photonic Integrated Multi-Tiled Architecture for Scalable Optical Neuromorphic Computing
• Title（参考訳）: SEPhIA: スケーラブル光ニューロモルフィックコンピューティングのための1レーザー/ニューロンスパイク電子フォトニック統合多層アーキテクチャ
• Authors: Matěj Hejda, Aishwarya Natarajan, Chaerin Hong, Mehmet Berkay On, Sébastien d'Herbais de Thun, Raymond G. Beausoleil, Thomas Van Vaerenbergh,
• Abstract要約: SEPhIAは,実装の実現可能性と現実的なスケーリングを重視した光電子・マルチタイルSNNアーキテクチャである。 SEPhIAは、マイクロリング共振器変調器(MRM)とマルチ波長ソースを利用して、効果的にサブ・ワン・レーザー・パー・スパイキングニューロン効率を実現する。
• 参考スコア（独自算出の注目度）: 0.11971027459760782
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Research into optical spiking neural networks (SNNs) has primarily focused on spiking devices, networks of excitable lasers or numerical modelling of large architectures, often overlooking key constraints such as limited optical power, crosstalk and footprint. We introduce SEPhIA, a photonic-electronic, multi-tiled SNN architecture emphasizing implementation feasibility and realistic scaling. SEPhIA leverages microring resonator modulators (MRMs) and multi-wavelength sources to achieve effective sub-one-laser-per-spiking neuron efficiency. We validate SEPhIA at both device and architecture levels by time-domain co-simulating excitable CMOS-MRR coupled circuits and by devising a physics-aware, trainable optoelectronic SNN model, with both approaches utilizing experimentally derived device parameters. The multi-layer optoelectronic SNN achieves classification accuracies over 90% on a four-class spike-encoded dataset, closely comparable to software models. A design space study further quantifies how photonic device parameters impact SNN performance under constrained signal-to-noise conditions. SEPhIA offers a scalable, expressive, physically grounded solution for neuromorphic photonic computing, capable of addressing spike-encoded tasks.
• Abstract（参考訳）: 光スパイキングニューラルネットワーク(SNN)の研究は、主にスパイキングデバイス、励起可能なレーザーのネットワーク、または大きなアーキテクチャの数値モデリングに焦点を当てており、しばしば光学パワー、クロストーク、フットプリントといった重要な制約を見落としている。 SEPhIAは,実装の実現可能性と現実的なスケーリングを重視した光電子・マルチタイルSNNアーキテクチャである。 SEPhIAは、マイクロリング共振器変調器(MRM)とマルチ波長源を利用して、効果的にサブ・ワン・レーザー・パー・スパイキングニューロン効率を実現する。 我々は、CMOS-MRR結合回路の時間領域共振によるデバイスレベルとアーキテクチャレベルでのSEPhIAの検証と、実験的に導出されたデバイスパラメータを用いた物理認識、トレーニング可能な光電子SNNモデルの開発により、SEPhIAの検証を行う。 マルチ層光電子SNNは、ソフトウェアモデルによく似た4クラススパイク符号化データセット上で90%以上の分類精度を達成する。 信号対雑音条件下でのフォトニックデバイスパラメータがSNN性能に与える影響をさらに定量化する。 SEPhIAは、スパイクエンコードされたタスクに対処できる、スケーラブルで表現力があり、物理的に基盤付けられたニューロモルフィックフォトニックコンピューティングのソリューションを提供する。

関連論文リスト

• Modeling and benchmarking quantum optical neurons for efficient neural computation [7.353780961304017]
  量子光ニューロン(QON)は、光干渉を利用して神経操作を行う有望な計算単位として出現している。 本稿では,香港・ウー・マンデル (HOM) とマッハ・ツェンダー (MZ) の干渉計に基づくQONアーキテクチャのファミリを紹介し,異なる光子変調戦略を取り入れた。 我々は、これらのQONを分離および多層ネットワークのビルディングブロックとして評価し、バイナリおよびマルチクラス画像分類タスクでトレーニングする。
  論文  参考訳（メタデータ） (2025-09-01T21:30:47Z)
• Photonic Quantum Convolutional Neural Networks with Adaptive State Injection [0.39928148142956393]
  我々は、状態注入を備えた粒子数保存回路に基づいて、最初のフォトニック量子畳み込みニューラルネットワーク(PQCNN)を設計、実験的に実装した。 半導体量子ドットを用いた単一光子源を用いたフォトニックプラットフォーム上でのバイナリ画像分類のためのPQCNNを実験的に検証した。 短期量子デバイスと互換性のある非線形ボソンサンプリングタスクに対する単純な適応手法の可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-29T17:57:01Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Single Neuromorphic Memristor closely Emulates Multiple Synaptic Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
  我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。 これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
  論文  参考訳（メタデータ） (2024-02-26T15:01:54Z)
• Free-Space Optical Spiking Neural Network [0.0]
  自由空間光深絞り畳み込みニューラルネットワーク(OSCNN)について紹介する。 この手法は人間の眼の計算モデルからインスピレーションを得ている。 以上の結果から,電子的ONNと比較して,レイテンシと消費電力を最小に抑えた有望な性能を示す。
  論文  参考訳（メタデータ） (2023-11-08T09:41:14Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Physics-aware Differentiable Discrete Codesign for Diffractive Optical Neural Networks [12.952987240366781]
  本研究は,Diffractive Optical Neural Network (DONN) の効率的なトレーニングを可能にする,新しいデバイス間ハードウェア・ソフトウェア符号フレームワークを提案する。 Gumbel-Softmaxは、現実世界のデバイスパラメータからDONNの前方関数への微分可能な離散マッピングを可能にするために使用される。 その結果,提案手法は従来の量子化法に比べて大きな利点があることがわかった。
  論文  参考訳（メタデータ） (2022-09-28T17:13:28Z)
• Scalable Nanophotonic-Electronic Spiking Neural Networks [3.9918594409417576]
  スパイキングニューラルネットワーク(SNN)は、高度に並列化されたリアルタイム処理が可能な新しい計算パラダイムを提供する。 フォトニックデバイスは、SNN計算パラダイムに適合する高帯域並列アーキテクチャの設計に最適である。 CMOSとSiPhの併用技術はスケーラブルなSNNコンピューティングアーキテクチャの設計に適している。
  論文  参考訳（メタデータ） (2022-08-28T06:10:06Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)

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。