arXiv cs.AI· Yasuhiro Fujiwara, Tatsuhiro Nakamori, Hideyuki Kawashima·· 1 天前AI 评分31
SPARC：用代表向量提升光子矩阵乘法推理精度
SPARC: Accurate Photonic Matrix Multiplication via Representative Vectors
AI 导读
SPARC 通过为每组相似激活向量构造一个代表向量、以数字方式高精度计算其内积，并把残差内积交给光子加速器，从而降低量化误差与模拟光子噪声的影响。该方法保留原有光子内积计算流程，无需修改硬件即可集成到现有及未来的光子加速器中。在六个代表性 DNN 模型上的实验显示，该方法可提升多种网络架构与应用领域的推理精度。
正文 · AI 翻译
摘要：光子神经网络加速器通过在模拟光子硬件上执行矩阵乘法，已成为降低深度神经网络（DNN）推理功耗的一种有前景的解决方案。然而，其推理精度受限于光子处理所需的低位量化以及模拟光子噪声。本文提出一种利用 DNN 中激活向量之间高度相似性来提高推理精度的方法。具体而言，我们的方法为每组相似的激活向量构建一个代表向量，以高精度在数字域计算其内积，并将残差内积卸载到光子加速器。由于每组内的激活向量高度相似，残差向量的范数要小得多，从而降低了量化误差和模拟光子噪声的影响。此外，我们的方法保留了光子内积计算流水线，无需修改硬件即可无缝集成到现有和未来的光子加速器中。在六个代表性 DNN 模型上的实验结果表明，所提出的方法能够在多种网络架构和应用领域中提高推理精度。
| 评论： | 11 页，5 幅图，3 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.16561 [cs.AI] |
| （或 arXiv:2611.16561v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16561 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hideyuki Kawashima [查看电子邮件]
[v1]
2026 年 11 月 12 日星期四 09:47:42 UTC（1,881 KB）
来源：arXiv cs.AI · arxiv.org