著者：Marie
プログラマブルフォトニックプロセッサは、相互接続された導波路のアレイを通じて光を操作するチップであり、古典的および量子的なアプリケーションの両方に対して、より高速でエネルギー効率の高いコンピューティングを約束する。しかし、それらには永続的な問題がある：製造上の不完全性により、すべてのチップがわずかに異なる動作をし、任意の計算を実行するようにそれらを校正することは非常に難しい。
バレンシア工科大学、パリ・サクレ大学、クイーンズ大学の研究者らによる新しいプレプリントは、これらのデバイスの校正精度を大幅に改善し、そして重要なことに、ネットワークが訓練されたものだけでなく、任意の光学操作に一般化するタンデムニューラルネットワークフレームワークを提示している。
問題
フォトニックプロセッサは、光信号にプログラマブルなユニタリ変換を実行するために、マッハ・ツェンダー干渉計（MZI）のメッシュネットワーク（光を分割および再結合する光学要素）を使用する。3×3メッシュは6つのMZIを使用し、4×4メッシュは10を使用する。各MZIは、目的の位相シフトを達成するために精密な電流調整を必要とする。製造ばらつき、熱クロストーク、環境ドリフトにより、同じ電流設定でも異なるチップで異なる結果が生じ、同じチップでも異なる時間で異なる結果が生じる。
標準的な校正アプローチは、固定範囲内で電流を均一にサンプリングする。コヒーレントMZIメッシュでは、これにより実現される光学操作の分布が大幅に偏り、すべての可能な変換の小さなサブセットに集中する。そのようなデータで訓練されたネットワークは、馴染みのある操作ではうまく機能するが、馴染みのない操作では失敗する。
アプローチ
Jose Roberto Rausell-Campoが率いるチームは、2つのコンポーネントを持つタンデムニューラルネットワーク（TNN）を設計した。フォワードネットワークは、印加電流からチップ上で実現される実際の光学変換へのマッピングを学習し、実質的に物理ハードウェアの微分可能モデルとなる。逆ネットワークは、所望の変換が与えられたときに、それを実現するために必要な電流を予測する逆マッピングを学習する。
重要な革新は、訓練データの生成方法にある。研究者らは、電流を均一にサンプリングするのではなく、Haar測度原理を用いてランダム行列理論から正しい電流分布を導き出した。これはユニタリ群上の唯一の一様分布である。この「アーキテクチャ認識サンプリング」（AAS）法は、可能な光学変換の全空間をカバーする訓練データを生成する。
完全に物理に依存しない変種である「最適化サンプリング」（OS）は、差動進化を用いて、チップの内部トポロジーの知識なしに特定のターゲット変換を生成する電流設定を探索するが、データ取得時間が大幅に長くなる。
結果
3×3 MZIメッシュでは、AASはランダムユニタリ行列でテストした場合、校正精度を約4.0ビット（一様ベースライン）から6.31ビットに改善し、約2.3ビットのゲインを達成した。OSは5.9ビットを達成した。4×4メッシュでは、AASが5.79ビット、OSが5.58ビットに達したのに対し、一様サンプリングは約4.0ビットであった。
重要な発見は、AASとOSが訓練分布データとランダムテストデータの間の性能の偏差を最小限に抑え、真の一般化を達成していることである。一様ベースラインは、ランダムユニタリでは約4ビットに低下する一方、分布適合データでは競争力があるように見える。
このフレームワークはまた、コヒーレント検出用の2×2ユニバーサルゲートで検証され、振幅と位相のほぼ完全な同時制御を達成し、プログラマブルフォトニック回路における位相予測のためのブラックボックスニューラルネットワークの初の実験的実証となった。
重要性
量子光コンピューティングでは、フォトニック回路はボソンサンプリングや線形光学量子コンピューティングなどの操作に対して高忠実度のユニタリ変換を必要とする。製造誤差は回路サイズに比例してインフィデリティを引き起こす。2ビットの精度向上は、直接的に高いゲート忠実度につながる。
古典的光コンピューティングでは、画像分類などのタスクのためのフォトニックニューラルネットワークについて、フレームワークはスパイラルデータセット上のスパイキングニューラルネットワークやCIFAR-10上のResNet-50、Inception-V3、MobileNet-V3を含む現実的なワークロードでテストされた。AAS/OSを用いたInception-V3は32ビットデジタルベースラインから約7%の劣化を示したのに対し、一様サンプリングは40%を超える劣化を示した。
注意点
このプレプリントはまだ査読を受けていない。最も重要な実用的制限はデータ取得時間である：現在の計測機器では1マトリックス測定あたり約0.54〜0.72秒かかる。4×4メッシュのAASでは、これは45〜300時間のデータ収集に相当し、OSでは162〜1,600時間になる。著者らは、熱時定数内で動作するか電気光学アクチュエータを使用することでこれを約1,000分の1に削減できる可能性があると指摘しているが、これらの改善はまだ実証されていない。校正はデバイスあたり一回限りのコストであり、推論は高速であるが、データ取得が遅いため、より大きなメッシュへの実用的採用は制限される。
開示：査読を受けていないarXivプレプリント2601.04122、バージョン2（2026年5月）に基づく。
ソース
Rausell-Campo JR, Melati D, Shastri B, Perez-Lopez D, Capmany J. “Universal Neural Network Based Calibration and Control of Programmable Classical and Quantum Photonic Integrated Processors.” arXiv:2601.04122 (v2, May 2026). DOI: 10.48550/arXiv.2601.04122
雅子 訳