論文の概要: Scalable Optical Learning Operator

• arxiv url: http://arxiv.org/abs/2012.12404v1
• Date: Tue, 22 Dec 2020 23:06:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 08:41:21.299326
• Title: Scalable Optical Learning Operator
• Title（参考訳）: スケーラブルな光学習オペレータ
• Authors: U\u{g}ur Te\u{g}in, Mustafa Y{\i}ld{\i}r{\i}m, \.Ilker O\u{g}uz, Christophe Moser, Demetri Psaltis
• Abstract要約: 提案するフレームワークは,速度を分類することなく既存のシステムのエネルギースケーリング問題を克服する。 数値的および実験的に、デジタル実装に匹敵する精度で複数の異なるタスクを実行する方法の能力を示した。 その結果、マルチモードファイバベースのコンピュータの性能を複製するには、強力なスーパーコンピュータが必要であることが示された。
• 参考スコア（独自算出の注目度）: 0.2399911126932526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Today's heavy machine learning tasks are fueled by large datasets. Computing is performed with power hungry processors whose performance is ultimately limited by the data transfer to and from memory. Optics is one of the powerful means of communicating and processing information and there is intense current interest in optical information processing for realizing high-speed computations. Here we present and experimentally demonstrate an optical computing framework based on spatiotemporal effects in multimode fibers for a range of learning tasks from classifying COVID-19 X-ray lung images and speech recognition to predicting age from face images. The presented framework overcomes the energy scaling problem of existing systems without compromising speed. We leveraged simultaneous, linear, and nonlinear interaction of spatial modes as a computation engine. We numerically and experimentally showed the ability of the method to execute several different tasks with accuracy comparable to a digital implementation. Our results indicate that a powerful supercomputer would be required to duplicate the performance of the multimode fiber-based computer.
• Abstract（参考訳）: 今日の重い機械学習タスクは、大規模なデータセットによって加速される。 コンピューティングは、メモリへのデータ転送によって最終的にパフォーマンスが制限されるパワー空腹プロセッサで実行される。 光学は情報通信と処理の強力な手段の1つであり、高速な計算を実現するための光情報処理への関心は高まっている。 本稿では、新型コロナウイルスのX線肺画像の分類や音声認識から、顔画像からの年齢予測に至るまで、多モードファイバの時空間効果に基づく光学コンピューティングフレームワークを実験的に紹介する。 提案フレームワークは,既存のシステムのエネルギースケーリング問題を高速化することなく克服する。 計算エンジンとして空間モードの同時,線形,非線形相互作用を利用した。 数値的および実験的に、ディジタル実装に匹敵する精度で複数の異なるタスクを実行することができることを示した。 この結果から,マルチモードファイバベースコンピュータの性能を再現するためには,強力なスーパーコンピュータが必要であることが示唆された。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• An optically accelerated extreme learning machine using hot atomic vapors [0.0]
  熱水蒸気を伝播する光の強い非線形特性とチューナブルな非線形特性とエクストリーム学習マシンモデルを組み合わせた新しい設計を提案する。 我々は、MNIST画像分類タスクにおいて、そのような自由空間非線形伝搬を用いたトレーニングの強化を数値的および実験的に示す。
  論文  参考訳（メタデータ） (2024-09-06T14:36:56Z)
• Optical training of large-scale Transformers and deep neural networks with direct feedback alignment [48.90869997343841]
  我々は,ハイブリッド電子フォトニックプラットフォーム上で,ダイレクトフィードバックアライメントと呼ばれる多目的でスケーラブルなトレーニングアルゴリズムを実験的に実装した。 光処理ユニットは、このアルゴリズムの中央動作である大規模ランダム行列乗算を最大1500テラOpsで行う。 我々は、ハイブリッド光アプローチの計算スケーリングについて検討し、超深度・広帯域ニューラルネットワークの潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2024-09-01T12:48:47Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
  音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。 深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。 フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
  論文  参考訳（メタデータ） (2023-12-11T17:43:58Z)
• Hyperspectral In-Memory Computing with Optical Frequency Combs and Programmable Optical Memories [0.0]
  機械学習は、広範な行列ベクトル乗算演算の需要を増幅した。 本稿では、空間多重化と光周波数コムの周波数多重化を統合したハイパースペクトルインメモリコンピューティングアーキテクチャを提案する。 行列ベクトル乗算と行列行列行列乗算の両方において、4ビット以上の精度で多重累積演算を実験的に実証した。
  論文  参考訳（メタデータ） (2023-10-17T06:03:45Z)
• Deep Learning with Passive Optical Nonlinear Mapping [9.177212626554505]
  残響共振器内の多重散乱を利用して光非線形ランダムマッピングを受動的に誘導する設計を提案する。 キャビティ内の多重散乱により容易な光データ圧縮を行い, 重要情報を効率よく圧縮し, 保持できることを示す。 我々の発見は、光コンピューティングのための新しいアルゴリズムとアーキテクチャ設計の道を開いた。
  論文  参考訳（メタデータ） (2023-07-17T15:15:47Z)
• Machine learning at the mesoscale: a computation-dissipation bottleneck [77.34726150561087]
  入力出力デバイスとして使用されるメソスコピックシステムにおける計算散逸ボトルネックについて検討する。 我々のフレームワークは、情報圧縮、入出力計算、非相互相互作用によって引き起こされる動的不可逆性の間の決定的な妥協に光を当てている。
  論文  参考訳（メタデータ） (2023-07-05T15:46:07Z)
• Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization [49.62449457005743]
  われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。 デジタル病理学のための幅広い深層学習手法をサポートしている。 トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
  論文  参考訳（メタデータ） (2023-04-09T02:49:36Z)
• Multi-mode fiber reservoir computing overcomes shallow neural networks classifiers [8.891157811906407]
  我々は、マルチモード光ファイバをランダムなハードウェアプロジェクタにリキャストし、入力データセットをスペックルイメージセットに変換する。 このハードウェアは、ファイバデータに基づいてトレーニングされた場合、損失景観の平坦な領域で動作し、これはディープニューラルネットワークの現在の理論と一致する。
  論文  参考訳（メタデータ） (2022-10-10T14:55:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。