Study of photonic neuromorphic devices based on spiking quantum dot lasers and reconfigurable photonic synapses for signal processing applications

Abstract

This doctoral thesis focuses on the investigation of photonic devices for the design a high-speed and power efficient neuromorphic photonic platform for spiking neural networks (SNN). Each SNN consists of two major components, namely the spiking neuron and the synapses that provide the interconnection. Transferring this topology in the photonic domain, semiconductor quantum dot lasers (QD) are investigated as spiking nodes, since they are described by dynamics that are similar to those of the biological neural cells, but they produce spikes in the form of optical pulses and at time-scales that are 6 orders of magnitude faster. Synapses are implemented with coherent photonic meshes of tunable Mach Zehnder interferometers, providing matrix-vector multiplication with passive elements at speeds limited only by the available electronics (GHz rates).QD lasers are theoretically studied for the case of neuromorphic nodes based on optical injection. The theoretical description considers the dual-state competent dynamics that are unique to the QD lasers. By using elements from bifurcation theory, the neurocomputational properties of QD lasers are uncovered for both lasing states. The numerical evaluations reveal the QD laser under this topology can operate both as an integrate and fire (IF) and a resonate and fire (RF) neuron, thus offering high-speed rate encoding and frequency selectivity. The interplay between the carriers in the ground state (GS) and the first excited state (ES), provides the ability to generate ES spiking from GS spiking, a property that is crucial due to recent works that link GS lasing to excitations and ES lasing to inhibition. Spike events as fast as 130 picoseconds are calculated, revealing the suitability of this platform for high-speed processing.Apart from the optically injected topology, the two-section topology is also investigated with a gain and a saturable absorber (SA) section. This system is studied experimentally, by deploying both electrical and optical triggering at the photonic neuron. Contrary to conventional two-section lasers, this device offers an additional biasing point for excitability that is associated with the interplay between GS and ES. Bifurcation analysis reveals that different bias conditions lead to both IF and RF functionalities, whereas the co-existence of ES lasing and GS spiking reduces significantly the temporal width of spike events down to 500 picoseconds even for a long 2 mm device.Finally, from the viewpoint of synapses, a Bayesian description of the coherent mesh is presented, that treats each synapse as random Gaussian variable. The training algorithm optimizes the probability density function (PDF) of each synapse. This scheme is numerically evaluated at a non-ideal large-scale mesh that uses thermo-optic phase shifters for image classification. The Bayesian neural network provides information about the robustness of all photonic synapses, which can be harnessed to achieve more than 70 % power reduction at the electronic components that control the synapses, 30 % reduction of the required actuators and robustness to the thermal crosstalk effect. Therefore, this method is capable to offer resilient, low complexity and low power operation at next-generation high-speed synaptic meshes.

Η διδακτορική αυτή διατριβή μελετά φωτονικές συσκευές για τον σχεδιασμό υψίρυθμων και ενεργειακά αποδοτικών νευρομορφικών επεξεργαστών για παλμικά νευρωνικά δίκτυα (spiking neural network, SNN). Κάθε SNN αποτελείται από δύο κύρια στοιχεία που είναι ο παλμικός νευρώνας και οι συνάψεις που παρέχουν τη συνδεσμολογία των νευρώνων. Μεταφέροντας αυτή την τοπολογία στο φωτονικό πεδίο, ημιαγωγικά λέιζερ κβαντικών τελειών (QD) διερευνώνται ως παλμικοί νευρώνες, καθώς έχουν την ίδια δυναμική περιγραφή με τα βιολογικά νευρικά κύτταρα, αλλά παράγουν παλμούς έως και 6 τάξεις μεγέθους πιο γρήγορους. Οι συνάψεις υλοποιούνται με σύμφωνα φωτονικά πλέγματα από ρυθμιζόμενα Mach Zehnder συμβολόμετρα για πολλαπλασιασμό πίνακα-διανύσματος με παθητικά στοιχεία και ταχύτητες που περιορίζονται μόνο από τα διαθέσιμα ηλεκτρονικά στοιχεία ελέγχου (GHz ρυθμοί). Τα λέιζερ QD μελετώνται ως νευρομορφικοί κόμβοι βασισμένοι σε οπτική έγχυση. Η θεωρητική περιγραφή συμπεριλαμβάνει την εκπομπή από δύο στάθμες, που είναι μοναδικό χαρακτηριστικό των λέιζερ QD. Για την εξαγωγή των νευρο-υπολογιστικών ιδιοτήτων τους αξιοποιείται η θεωρία διακλαδώσεων. Οι αριθμητικές προσομοιώσεις φανερώνουν ότι αυτή τη τοπολογία μπορεί να λειτουργήσει ως νευρώνας ολοκληρωτής (IF), αλλά και ως νευρώνας ταλαντωτής (RF), προσφέροντας έτσι υψίρυθμη κωδικοποίηση ρυθμού και επιλογή συχνοτήτων. Η αλληλεπίδραση μεταξύ των φορέων στην θεμελιώδη (GS) και την πρώτη διεγερμένη στάθμη (ES) παρέχει τη δυνατότητα παραγωγής παλμών από δύο στάθμες, μια σημαντική ιδιότητα δεδομένης πρόσφατης έρευνας που συνδέει την εκπομπή από τη GS με νευρική διέγερση και από την ES με αποδιέγερση. Παρατηρούνται παλμικές ώσεις διάρκειας 130 pico-δευτερολέπτων, που καθιστούν αυτήν την τεχνολογία κατάλληλη για υψίρυθμη επεξεργασία.Εκτός από την τοπολογία οπτικής έγχυσης, πραγματοποιείται επίσης μελέτη συσκευών QD δύο τμημάτων με ένα τμήμα κέρδους και ένα τμήμα απορροφητή. Για την διερεύνηση αξιοποιούνται μηχανισμοί ηλεκτρικής και οπτικής διέγερσης. Σε αντίθεση με τα τυπικά laser δύο σταθμών, η συσκευή αυτή παρέχει ένα επιπλέον σημείο πόλωσης για διεγερσιμότητα, που σχετίζεται με την αλληλεπίδραση μεταξύ των σταθμών GS και ES. Η ανάλυση διακλαδώσεων δείχνει ότι το laser μπορεί να λειτουργήσει σαν IF και RF για διαφορετικά σημεία πόλωσης. Η συνύπαρξη εκπομπής από το GS και το ES σχετίζεται με γρήγορους παλμούς διάρκειας 500 ps. Τέλος, όσον αφορά τις συνάψεις, παρουσιάζεται μια Bayesian περιγραφή ενός σύμφωνου πλέγματος, στο οποίο κάθε σύναψη αντιμετωπίζεται σαν μια τυχαία Gaussian μεταβλητή. Η εκπαίδευση στοχεύει στην βελτιστοποίηση της συνάρτησης πυκνότητας πιθανότητας κάθε σύναψης. Αυτή η μεθοδολογία εξετάζεται για την αριθμητική μελέτη ενός μη ιδανικού και μεγάλης κλίμακας δικτύου, που χρησιμοποιεί θερμο-οπτικούς μετατροπείς φάσης για αναγνώριση εικόνας. Το Bayesian νευρωνικό δίκτυο προσφέρει πληροφορία για την ευστάθεια των φωτονικών συνάψεων. H γνώση αξιοποιείται για την 70% μείωση της κατανάλωσης ενέργειας στα ηλεκτρονικά στοιχεία, την μείωση κατά 30% των ενεργοποιητών και ανοχή στο φαινόμενο θερμικής αλληλεπίδρασης. Επομένως, αυτή η μέθοδος μπορεί να οδηγήσει σε σθεναρά δίκτυα χαμηλής πολυπλοκότητας και χαμηλής κατανάλωσης ενέργειας για τα φωτονικά συναπτικά πλέγματα νέας γενιάς.