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
- Artificial intelligence optical hardware empowers high-resolution
hyperspectral video understanding at 1.2 Tb/s [53.91923493664551]
本研究は,多次元映像理解のためのハードウェアアクセラレーション型集積光電子プラットフォームをリアルタイムに導入する。
この技術プラットフォームは、人工知能ハードウェアと光学的に情報を処理し、最先端のマシンビジョンネットワークを組み合わせる。
このような性能は、類似のスペクトル分解能を持つ最も近い技術の速度を3~4等級で上回る。
論文 参考訳(メタデータ) (2023-12-17T07:51:38Z) - 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) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳(メタデータ) (2023-08-27T03:55:28Z) - 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) - All-Photonic Artificial Neural Network Processor Via Non-linear Optics [0.0]
本稿では,全フォトニックニューラルネットワークプロセッサを提案する。
情報はニューロンとして機能する周波数モードの振幅に符号化される。
私たちのアーキテクチャは、完全にユニタリで可逆的な計算方法を提供するという点でユニークなものです。
論文 参考訳(メタデータ) (2022-05-17T19:55:30Z) - Large-scale neuromorphic optoelectronic computing with a reconfigurable
diffractive processing unit [38.898230519968116]
回折処理ユニットを構築することにより、光電子再構成可能な計算パラダイムを提案する。
異なるニューラルネットワークを効率的にサポートし、数百万のニューロンで高いモデル複雑性を達成することができる。
市販の光電子部品を用いたプロトタイプシステムは,最先端のグラフィックス処理ユニットの性能を超越している。
論文 参考訳(メタデータ) (2020-08-26T16:34:58Z)
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。