オンチップ回折光学を用いたフォトニック機械学習

要約 機械学習技術は、高性能情報処理分野に広く適用されています。しかし、既存のハードウェアの計算速度は、従来のフォン・ノイマンアーキテクチャによって厳しく制限されています。フォトニックアプローチは、複雑な計算を伴う深層学習プロセスを実行するための驚異的な可能性を示しています。本研究では、高い統合性と低い消費電力特性を持つ機械学習タスクを実行するために、シリコンオン絶縁体プラットフォームに基づくオンチップ回折光学ニューラルネットワーク（DONN）を提案します。提案されたDONNを検証するために、0.15 mm²および0.3 mm²のフットプリントを持つ1隠れ層および3隠れ層のオンチップDONNを製作し、Iris植物データセットの分類タスクにおける性能を実験的に確認し、それぞれ86.7%および90%の精度を得ました。さらに、修正された国立標準技術研究所の手書き数字画像を分類するために、3隠れ層のオンチップDONNを製作しました。提案された受動的オンチップDONNは、性能向上を伴う未来の人工知能ハードウェアを加速するための潜在的な解決策を提供します。