引言
生成对抗网络(GANs)通过从有限数据集生成高度真实的合成数据，推动了人工智能的发展。虽然这些网络在图像合成和医学成像等领域表现出色，但在传统电子硬件上实现时面临显著的计算挑战。本文探讨PhotoGAN，这是专门为GAN模型设计的硅基光电子加速器，在性能和能效方面都有显著提升[1]。
图1：GAN模型运行的高级可视化，展示了生成器(G)和判别器(D)组件在创建和评估合成图像过程中的交互。
1
理解GAN架构与挑战
GAN由两个对立工作的神经网络组成：生成器(G)和判别器(D)。生成器从随机噪声创建合成数据，而判别器评估生成的数据是真实还是虚假。这种对抗过程持续进行，直到生成器产生高度逼真的合成数据。
传统电子加速器在实现GAN时面临多个挑战。GAN内部独特的运算，如转置卷积和实例规范化，会导致资源利用效率低下和能耗高。这些挑战促使了PhotoGAN等专用加速器的研发。
2
硅基光电子组件与运行原理
PhotoGAN利用基本的硅基光电子组件实现高效的GAN加速。
图2：PhotoGAN使用的基本硅基光电子组件概览，包括激光器、波导、微环谐振器、光电探测器和各种控制线路。
主要组件包括：
激光器：生成用于计算和通信的光信号，可以是片上垂直腔面发射激光器或片外光源。
波导：使用高折射率对比材料传输光信号，通过波分复用技术支持多个波长。
微环谐振器：通过在特定波长调制输入信号执行乘加运算。
光电探测器：将处理后的光信号转换回电信号，同时补偿光损耗。
调谐线路：通过热光或电光调谐控制微环谐振器器件的有效折射率。
图3：详细说明(a)参数印制后微环谐振器输入和通过端口的波长，(b)使用微环谐振器器件的相干求和，(c)使用微环谐振器阵列的乘法运算。
3
PhotoGAN架构
PhotoGAN加速器由多个关键模块组成，共同高效处理GAN运算。
图4：PhotoGAN加速器架构概述，展示了密集、卷积、归一化和激活模块之间的互连。
主要架构组件包括：
1. 密集模块：由多个密集单元组成，每个单元使用两个微环谐振器阵列实现。这些阵列通过相干光子求和处理矩阵向量乘法和偏置加法。
图5：带有两个微环谐振器阵列的密集单元架构，展示了光域中矩阵运算的实现。
2. 卷积模块：包含多个卷积单元，针对标准和转置卷积运算进行了优化。该模块将卷积转换为由微环谐振器阵列加速的向量乘法。
图6：卷积单元结构，展示了处理输入激活和权重的微环谐振器阵列排列。
3. 归一化模块：使用宽带微环谐振器支持批量归一化和实例归一化。该模块可以在推理过程中动态更新参数。
图7：归一化单元设计，展示了用于参数印制的宽带微环谐振器列。
4. 激活模块：使用半导体光放大器实现非线性函数。包括ReLU和Leaky ReLU等完全在光域中处理的函数。
图8：基于半导体光放大器的Leaky-ReLU激活函数实现，展示了光处理路径。
4
优化技术
PhotoGAN整合了多种优化策略以提升性能：
图9：转置卷积运算的稀疏计算优化技术说明，展示(a)标准运算，(b)向量点积表示，(c)简化计算。
加速器采用高效的流水线和调度机制以最大化吞吐量：
图10：(a)密集层和激活层的流水线策略，(b)卷积、归一化和激活层的流水线策略。
5
性能结果
对PhotoGAN的全面评估显示了相比传统平台的优势：
图11：不同GAN模型的GOPS(每秒十亿次运算)比较，展示了PhotoGAN相对于GPU、CPU、TPU和其他加速器的卓越性能。
图12：EPB(每比特能耗)比较，展示了PhotoGAN在各种GAN模型中的能效优势。
结果表明，与最先进的加速器相比，PhotoGAN实现了至少4.4倍的更高吞吐量和2.18倍的更好能效。这些改进源于硅基光电子技术的高效使用和精密的优化技术。
这项GAN加速技术的突破为在资源受限环境下部署复杂生成模型提供了新方案，可应用于医学成像、自动驾驶和高级图形处理等领域。
暂无评论