Abstract Advancements in optical coherence control 1–5 have unlocked many cutting-edge applications, including long-haul communication, light detection and ranging (LiDAR) and optical coherence tomography 6–8 . Prevailing wisdom suggests that using more coherent light sources leads to enhanced system performance and device functionalities 9–11 . Our study introduces a photonic convolutional processing system that takes advantage of partially coherent light to boost computing parallelism without substantially sacrificing accuracy, potentially enabling larger-size photonic tensor cores. The reduction of the degree of coherence optimizes bandwidth use in the photonic convolutional processing system. This breakthrough challenges the traditional belief that coherence is essential or even advantageous in integrated photonic accelerators, thereby enabling the use of light sources with less rigorous feedback control and thermal-management requirements for high-throughput photonic computing. Here we demonstrate such a system in two photonic platforms for computing applications: a photonic tensor core using phase-change-material photonic memories that delivers parallel convolution operations to classify the gaits of ten patients with Parkinson’s disease with 92.2% accuracy (92.7% theoretically) and a silicon photonic tensor core with embedded electro-absorption modulators (EAMs) to facilitate 0.108 tera operations per second (TOPS) convolutional processing for classifying the Modified National Institute of Standards and Technology (MNIST) handwritten digits dataset with 92.4% accuracy (95.0% theoretically).

Neuromorphic computing is emerging as a promising solution to address the ever-growing demand for computational power driven by artificial neural networks. We present a photonic hardware accelerator, implemented on the Silicon on Insulator platform, based on an incoherent crossbar array. We outline the system architecture and showcase live convolution processing using the photonic hardware accelerator. Furthermore, we integrate phase-change material which serves as a non-linear building block for a reconfigurable photonic neural network. We train the neural network for language classification.

Integrated photonic circuits represent a significant advancement in optical technology, providing notable benefits in speed, efficiency, and miniaturization. By consolidating various optical components onto a single chip, these circuits enable precise manipulation and control of light. As a result, they are playing a pivotal role in technologies such as high-speed data interconnects, sensors, artificial intelligence accelerators, and quantum computing. However, one of the key challenges that hinders the widespread adoption of integrated optics is fabrication imperfections. This work¹ highlights a scalable and non-volatile technique for post-fabrication tuning of photonic computational memories by automated silicon ion implantation to precisely align high-quality resonant devices to targeted wavelengths. Spectral shifts ranging from less than 10 pm to several nanometers are obtained showing long-term stability while adding negligible loss.

Abstract Biological neural networks effortlessly tackle complex computational problems and excel at predicting outcomes from noisy, incomplete data. Artificial neural networks (ANNs), inspired by these biological counterparts, have emerged as powerful tools for deciphering intricate data patterns and making predictions. However, conventional ANNs can be viewed as “point estimates” that do not capture the uncertainty of prediction, which is an inherently probabilistic process. In contrast, treating an ANN as a probabilistic model derived via Bayesian inference poses significant challenges for conventional deterministic computing architectures. Here, we use chaotic light in combination with incoherent photonic data processing to enable high-speed probabilistic computation and uncertainty quantification. We exploit the photonic probabilistic architecture to simultaneously perform image classification and uncertainty prediction via a Bayesian neural network. Our prototype demonstrates the seamless cointegration of a physical entropy source and a computational architecture that enables ultrafast probabilistic computation by parallel sampling.

Abstract Plastic self‐adaptation, nonlinear recurrent dynamics and multi‐scale memory are desired features in hardware implementations of neural networks, because they enable them to learn, adapt, and process information similarly to the way biological brains do. In this work, these properties occurring in arrays of photonic neurons are experimentally demonstrated. Importantly, this is realized autonomously in an emergent fashion, without the need for an external controller setting weights and without explicit feedback of a global reward signal. Using a hierarchy of such arrays coupled to a backpropagation‐free training algorithm based on simple logistic regression, a performance of 98.2% is achieved on the MNIST task, a popular benchmark task looking at classification of written digits. The plastic nodes consist of silicon photonics microring resonators covered by a patch of phase‐change material that implements nonvolatile memory. The system is compact, robust, and straightforward to scale up through the use of multiple wavelengths. Moreover, it constitutes a unique platform to test and efficiently implement biologically plausible learning schemes at a high processing speed.