基于集成衍射光子计算单元的全光图表示学习

光子神经网络利用光子而非电子进行大脑启发的计算，以实现显著提升的计算性能。然而，现有架构只能处理具有规则结构的数据，无法推广到超出欧几里得空间的图结构数据。为此，我们提出了衍射图神经网络（DGNN），一种基于衍射光子计算单元（DPU）和片上光学设备的全光图表示学习架构，以解决这一限制。具体而言，图节点属性编码到条形光波导中，由DPU转换，并通过光耦合器聚合以提取其特征表示。DGNN在图结构中以光速进行光消息传递时捕捉节点邻域之间的复杂依赖关系。我们展示了DGNN在节点和图级分类任务中的应用，通过基准数据库取得了卓越的性能。我们的工作为设计特定应用集成光子电路以高效处理大规模图数据结构开辟了新方向，使用深度学习。