双反向传播训练光子神经网络(未做完)

双反向传播训练光子神经网络

1 论文核心概念

本文提出了一种名为"双反向传播（dual backpropagation）"的训练方法，用于端到端优化光子神经网络（PNNs）。该方法通过引入系统误差预测网络（SEPNs），结合物理系统与数值模型的协同训练，显著提升了在存在显著系统误差情况下的PNN性能，适用于衍射型和干涉型等多种光子神经网络结构。

本文的核心动机

光子神经网络（PNNs）因其高速度、低功耗的优势成为下一代AI计算的有力候选，但其发展面临一个核心挑战：“仿真到现实的鸿沟”（Simulation-to-Reality Gap）。具体而言，传统的训练方法在计算机中基于一个理想的、无误差的物理模型进行优化（称为“in silico”训练）。然而，当将训练好的模型直接部署到真实的物理硬件上时，由于制造缺陷、温度漂移、元件性能偏差等不可避免的系统误差（Systematic Errors），模型的实际性能会急剧下降甚至失效。现有的自适应训练（AT）和物理感知训练（PAT）等方法难以有效应对大规模PNN中的此类误差。

因此，本论文的核心动机是打破这一鸿沟。作者提出双反向传播（Dual Backpropagation）方法，旨在创建一种新的训练范式，能够在训练过程中直接感知、建模并补偿物理系统的系统误差。其根本目的是通过端到端的协同优化，得到一个对硬件不完美性具有鲁棒性的模型，实现“一次训练，直接部署”，无需复杂的额外校准，从而推动大规模PNN的实际应用。