SCATTER: 算法 - 电路协同稀疏光子加速器，具有热容忍、功耗高效的原位光重分布
内容提要
光子计算在加速人工智能工作负载方面表现出色。本文提出了一种动态芯片内纠正框架（DOCTOR），能够自适应校准以应对噪声和环境变化，提升准确性34%，并显著降低开销。此外，研究还探讨了光计算与通信的集成，优化了机器学习硬件加速器的设计，推动光学神经网络在图像识别中的应用。
延伸解读
DOCTOR框架：应对光子计算噪声的轻量级方案
光子张量加速器在边缘计算中具有速度和能效优势，但现场噪声和环境变化会导致可靠性问题。DOCTOR框架通过自适应探测芯片状态，在必要时进行快速、无训练的就地校准，从而恢复准确性。实验表明，与现有芯片内训练方法相比，该框架在漂移变化下能将准确性提升34%，同时将开销降低2-3个量级。这为光子计算的实际部署提供了重要的纠错手段。
变异感知重映射：避免噪声设备上的关键任务风险
除了动态校准，文章还提出了一种基于变异感知的架构重映射策略。该策略旨在识别有噪声的设备，并将关键任务重新映射到更可靠的设备上执行，从而避免因硬件噪声导致的计算错误。这种软硬件协同的设计思路，进一步提升了光子加速器在真实环境中的鲁棒性，尤其适合对可靠性要求高的应用场景。
光学神经网络在图像识别上的突破
文章提到，通过低维重参数模型引入基于大核空间可变卷积神经网络，光学神经网络在CIFAR-10数据集上达到了73.80%的盲测分类准确度，首次超越现代数字神经网络AlexNet（72.64%）。这一成果标志着光学神经网络在图像识别任务上跻身现代深度学习时代，为未来光子计算在AI领域的应用提供了信心。
Q&A
光子计算在人工智能工作负载中有哪些优势？
光子计算在加速计算密集型人工智能工作负载方面具有无与伦比的速度和能量效率优势。
DOCTOR框架是如何提升光子计算的准确性的？
DOCTOR框架通过自适应校准应对噪声和环境变化，提升准确性34%。
光计算与通信的集成对机器学习硬件加速器有什么影响？
光计算与通信的集成推动了机器学习硬件加速器的设计，提升了其性能。
光学神经网络在图像识别中的表现如何？
光学神经网络在图像识别中的准确度首次超越了现代电子神经网络，达到了73.80%。
DOCTOR框架的开销相比于传统方法如何？
DOCTOR框架的开销降低了2-3个量级，相比于现有芯片内训练方法具有显著优势。
如何解决光子张量加速器的可靠性挑战？
通过DOCTOR框架的动态校准和智能监视芯片状态，可以有效应对现场噪声和环境变化带来的可靠性挑战。
