42、边缘端的光速机器学习推理

边缘端的光速机器学习推理

在边缘端实现高效的机器学习推理，需要对光学微环谐振器（MR）相关的电路设计、器件优化以及架构设计进行深入研究。下面将详细介绍相关内容。

1. 调谐电路设计

调谐电路设计对于BNN加速器中MR的快速准确运行至关重要。制造工艺变化（FPVs）会使MR的谐振波长（λMR）偏离原始设计值，影响其运行。采用合适的MR调谐电路可显著降低这种偏移带来的误差。调谐电路有热光（TO）和电光（EO）两种类型。

• 热光调谐机制 ：利用微加热器改变微环谐振器（MR）附近的温度，从而改变MR的有效折射率（neff），进而改变器件的λMR。这种谐振波长的变化（ΔλMR）有助于补偿MR的制造工艺和热变化。
• 电光调谐机制 ：基于PN二极管上载流子的耗尽和注入。但该机制只能补偿MR谐振波长的小偏移，即EO的校正范围有限。

TO调谐更适合补偿MR谐振波长的大偏移，但存在延迟（约μs范围）和功耗较高的问题。为减少对高开销的TO调谐的依赖，探索了混合调谐机制，即同时使用TO和EO调谐来补偿ΔλMR。这种调谐方法可显著降低仅使用TO调谐带来的开销。

为降低混合调谐中TO调谐的功率开销，采用了热本征模分解（TED）方法。该方法通过集体调谐MR组中的所有MR，以较低的功耗消除MR中的串扰（即不期望的相移）影响。从图3可以观察到一些重要趋势：
- 随着MR半径的增加，对ΔλMR的调谐功率补偿增加。
- 不采用TED（单独调谐MR）时，调谐功耗高，意味着每个MR需要更多功率来补偿各自的谐振波长偏移。
- 采用T