SEPhIA让多个脉冲神经元共用一束多波长激光：两层光电脉冲网络在四类图像分类上达到91.35%
核心概要
HPE Labs 提出并验证了 SEPhIA，一种以微环调制器和多波长激光为核心的光电脉冲神经网络架构，让多个脉冲神经元共享一束多波长光，从而把每个神经元所需的激光数压到不足一台。此前光子脉冲计算多聚焦于单个脉冲器件或全光激光网络，较少在架构层面同时考虑光功率、串扰与占位。研究用实验器件参数构建可训练的光电脉冲网络模型，在四类脉冲编码图像分类上取得91.35%的测试准确率，与同规模全连接脉冲网络基线93.65%相差约1个百分点。
深度剖析
光子脉冲神经网络有了一个按现有光子工艺约束设计的整机架构，而不是只停留在单个脉冲器件或全光激光网络。 此前该方向多研究脉冲器件本身、由可激发激光构成的网络，或对大型架构做数值建模，光功率有限、通道串扰和芯片占位这些约束常被放在一边。 SEPhIA 用微环调制器加多波长光源，使每个脉冲神经元对应的激光数少于一台；器件级用 Verilog-A 对 CMOS 与微环耦合电路做时域联合仿真，架构级则用实验测得的器件参数训练光电脉冲网络。
网络按块对角稀疏权重拆成若干光学瓦片，每块瓦片共享一束多波长光，光信号在片上完成加权后由平衡光电探测器转成电信号。 每个瓦片由一路多波长光源驱动，输入数由可用波分复用通道数决定，输出数可调；加权后的光信号在成对平衡光电探测器上求和，以同时提供兴奋与抑制。 演示的两层网络第一层含两个并行瓦片、每块16×16微环权重库和16个脉冲神经元，第二层为单个16×8瓦片接4个神经元；训练用35个离散时间步的反向传播，并以替代梯度处理脉冲神经元的不可导问题。
器件参数被直接纳入可训练模型，因此设计空间研究能给出不同波分复用间隔和微环质量因子、消光比下分类准确率的变化。 在9组参数组合中，最宽的100 GHz通道间隔配高Q值、15 dB消光比的微环取得最低验证损失，通道间隔收窄时验证损失整体上升。 每组参数重复训练5次；在50 GHz最密间隔下，6 dB消光比的微环比15 dB消光比表现更好，说明超密波分复用下器件参数之间存在复杂权衡。
启示与展望
演示范围是仿真：器件级为 CMOS 与微环耦合电路的 Verilog-A 时域联合仿真，架构级为两层、结构稀疏的光电脉冲网络在四类脉冲编码图像上的分类，器件参数取自实验数据。读者对象是关注光子神经形态硬件架构与器件协同设计的研究者和工程师。
分类准确率来自仿真模型，模型未计入微环之间的热串扰，也未对权重库的谐振调谐做量化；作者把量化、更多噪声源和不同模拟神经电路列为后续可纳入仿真的方向。