High-Density Photonic Convolution Computing Enabled by a Soliton Microcomb and a Microdisk Mesh Array
Notice bibliographique
Résumé
Convolutional neural networks (CNNs) accelerated by photonic computing have attracted significant attention due to its potential to overcome the speed, scalability, and energy limitations of electronic architectures. An optical frequency comb has been demonstrated as a promising light source for dense photonic computing, thanks to its ability to provide multiple evenly spaced and mutually coherent frequency channels. However, prior microcomb-based convolution kernel accelerators have faced challenges, including limited computing density and insufficient dynamic reconfigurability. In this paper, we demonstrate a photonic convolutional processor achieving a computing density of 48 TOPS/mm² by combining a packaged soliton microcomb as the light source with a chip-scale micro disk mesh structure as the computing core. The soliton source exhibits excellent frequency and intensity stability, with a relative standard deviation of 0.48% over 60 minutes. The micro-disk mesh structure aligns both physically and topologically with 2D convolution operations, enabling reconfigurable and signed convolutional computing. This photonic convolutional processor offers strong potential for integration into high-speed, low-power consumption edge AI platforms and lays the foundation for scalable, reconfigurable on-chip optical neural networks in future large-scale photonic computing systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».