INSPIRE: 光子集成回路的原位物理梯度下降训练

摘要

基于物理的神经形态计算有望提升性能与能效，但训练大多仍在硅基仿真中进行，需要昂贵的物理建模，且受制造误差影响。研究者提出片上原位物理梯度下降方法 INSPIRE，利用片上合成时间反转全息测量双向光子模式的完整复振幅场，从而直接在物理系统内计算梯度并更新参数。该框架不依赖具体拓扑，可兼容多种光学回路。实验所得训练矩阵相对误差为 0.26%，并在散射介质中实现了规模超过原生可调元件数量的矩阵的原位训练。INSPIRE 还使 meta-photonic 回路能进行原位 meta-learning，实现单次光子学习，模型压缩 251 倍、特定任务训练加速 136 倍。