LCAP: Population-Informed Latent Chip Adaptation from Few Output Probes for Photonic Neural Networks

📄 arXiv: 2609.16823v1 📥 PDF

作者: Tianyu Gao, Guantian Zheng

分类: cs.LG

发布日期: 2026-09-15

备注: 5 pages, 3 figures, 2 tables

💡 一句话要点

提出LCAP框架以解决光子神经网络的硬件适应问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 光子神经网络 硬件适应 潜在个性化 共享校正 探针推断 性能提升

📋 核心要点

  1. 现有光子神经网络在硬件适应上存在较大挑战，尤其是在制造后参数降级导致的模拟与实际性能差距。
  2. 本文提出的LCAP框架通过共享校正和探针推断的潜在个性化，解决了每个设备需从头校准的问题。
  3. 实验结果显示，使用LCAP后，准确率从80.4147%提升至93.3617%，并且改善了大多数未见芯片的性能。

📝 摘要（中文）

光子神经网络（PNNs）在模拟推理中具有高效性，但在理想设备模型下优化的参数在制造后可能会降级，从而导致持续的模拟与硬件之间的差距。针对这一问题，本文提出了基于探针的潜在芯片适应框架（LCAP），该框架将硬件适应分解为可转移的人口校正和探针推断的潜在个性化。LCAP首先从80个历史芯片中学习共享校正，然后提取设备特定的低维校正空间。在部署时，32个固定的无标签输出探针推断未见芯片的潜在校正坐标，实现了无目标设备优化的前馈个性化。在具有相位变化、光束分离器误差、量化和串扰的三层64模MZI模拟器上，准确率从直接部署的80.4147%提高到共享校正后的92.6860%，使用LCAP后达到93.3617%。LCAP改善了27/30个未见芯片，最差设备的准确率从89.18%提升至90.54%。

🔬 方法详解

问题定义：本文旨在解决光子神经网络在实际部署中，由于制造后参数降级而导致的模拟与硬件之间的性能差距。现有方法需要对每个芯片进行单独校准，成本高且效率低。

核心思路：LCAP框架通过从历史芯片中学习共享校正，结合探针推断的潜在个性化，减少了对目标设备的直接优化需求，从而实现了更高效的硬件适应。

技术框架：LCAP的整体架构包括两个主要模块：首先是从80个历史芯片中学习共享校正，其次是提取设备特定的低维校正空间。在实际部署时，使用32个固定的无标签输出探针来推断新的芯片的潜在校正坐标。

关键创新：LCAP的创新在于将硬件适应分解为可转移的共享校正和个性化的潜在校正，显著降低了对目标设备的依赖，提升了适应性和准确性。

关键设计：在设计中，使用了低维校正空间来表示设备特定的调整，损失函数则关注于提高输出的准确性，确保在不同设备间的有效迁移。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，使用LCAP框架后，光子神经网络的准确率从80.4147%提升至93.3617%，并且在27个未见芯片上均有改善，最差设备的准确率也从89.18%提升至90.54%。

🎯 应用场景

该研究的潜在应用领域包括光子计算、量子信息处理和高性能计算等。通过提高光子神经网络的适应性，LCAP能够降低生产成本并提高设备的整体性能，具有重要的实际价值和广泛的未来影响。

📄 摘要（原文）

Photonic neural networks (PNNs) offer efficient analog inference, but parameters optimized under ideal device models can degrade after fabrication, creating a persistent simulation-to-hardware (sim-to-real) gap. When many identically designed chips are deployed, calibrating each device from scratch compounds this cost. We propose Latent Chip Adaptation from Probes (LCAP), a population-informed framework that decomposes hardware adaptation into a transferable population correction and probe-inferred latent personalization. LCAP first learns a shared correction from 80 historical chips, then extracts a low-dimensional correction space from device-specific refinements. At deployment, 32 fixed unlabeled output probes infer an unseen chip's latent correction coordinates, enabling feed-forward personalization without target-device optimization. On a three-layer 64-mode MZI simulator with phase variation, beam-splitter errors, quantization, and crosstalk, accuracy improves from 80.4147% under direct deployment to 92.6860% after shared calibration and 93.3617% with LCAP. LCAP improves 27/30 unseen chips and raises worst-device accuracy from 89.18% to 90.54%.