团队为片上光学处理器开发高效的随机并行梯度下降训练

A 新出版物 在 光电进展 讨论了片上光学处理器的有效随机并行梯度下降训练。

随着全球数据量的爆炸性增长，空分复用（SDM）技术已成为增强通信容量的有前途的解决方案。 过去几十年来，SDM已经在少模光纤、多芯光纤和自由空间光通信系统中实现。 然而，所有这些解决方案都面临着信号串扰的挑战，因为光信号传输过程中不同通道之间会发生混合，导致接收器信号质量下降。

因此，解扰需要数字信号处理（DSP）。 不幸的是，电气领域的高速DSP芯片非常复杂、设计困难、功耗高。 近年来，集成的可重构光处理器已被用来消除光域中的通道混合。 然而梯度下降算法每次迭代都必须逐一更新变量来计算损失函数，导致计算量大、训练时间长。

此外，遗传算法（GA）、粒子群优化（PSO）算法等群体智能算法具有足够大的种群规模，为保证训练结果的可靠性，也需要大量的计算量。 因此，寻找一种适合光矩阵配置的高效优化算法，对于大规模光子计算芯片和多维光通信系统的在线训练具有重要意义。

光矩阵计算芯片在线训练取得进展； 与离散梯度下降算法、GA和PSO算法相比，该方法大大减少了运算次数，可以大大节省训练过程中的功耗，有望应用于超大规模光学器件的在线训练矩阵计算芯片。

为了验证所提出的优化方法的可行性，研究作者设计并制作了基于级联马赫-曾德干涉仪（MZI）的6×6可重构光处理器芯片，并进行了包括光开关矩阵和光信号在内的在线训练实验解扰矩阵。

论文展示了光处理器在MDM光通信系统中的应用场景以及处理器的内部结构。 还展示了训练结果，可以看出对于多维光通信系统中的光交换和光信号解扰任务，训练效果相对较好。

在此基础上，采用这种用于高速光通信系统的可重构光处理器芯片来补偿传输过程中模式混合引起的串扰。 研究中解释了实验设置和获得的结果。 可以看出，当光线经过经过训练的光子芯片时，信号质量显着提高，误码率（BER）大幅降低。

最后，将光学矩阵规模扩大到10×10、16×16和32×32时SPGD算法与传统梯度算法、GA和PSO算法的计算量进行了比较。 结果表明，SPGD算法计算成本的增加小于其他算法。

由 Compuscript 有限公司提供