論文の概要: All-Optical Synthesis of an Arbitrary Linear Transformation Using
Diffractive Surfaces
- arxiv url: http://arxiv.org/abs/2108.09833v1
- Date: Sun, 22 Aug 2021 20:40:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 15:22:34.355197
- Title: All-Optical Synthesis of an Arbitrary Linear Transformation Using
Diffractive Surfaces
- Title（参考訳）: 回折表面を用いた任意線形変換のオールオプティカル合成
- Authors: Onur Kulce, Deniz Mengu, Yair Rivenson, Aydogan Ozcan
- Abstract要約: 入力(N_i)と出力(N_o)の間の任意の複素値線形変換を全光学的に行うための微分曲面の設計を報告する。
また,対象変換に対応する入力/出力フィールドの例を用いて,拡散面の伝達係数を最適化する深層学習に基づく設計手法についても検討する。
解析の結果、空間工学的特徴/ニューロンの総数(N)がN_i x N_o以上であれば、どちらの設計手法も目標変換の完全な光学的実装に成功し、無視可能な誤差を達成できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We report the design of diffractive surfaces to all-optically perform
arbitrary complex-valued linear transformations between an input (N_i) and
output (N_o), where N_i and N_o represent the number of pixels at the input and
output fields-of-view (FOVs), respectively. First, we consider a single
diffractive surface and use a matrix pseudoinverse-based method to determine
the complex-valued transmission coefficients of the diffractive
features/neurons to all-optically perform a desired/target linear
transformation. In addition to this data-free design approach, we also consider
a deep learning-based design method to optimize the transmission coefficients
of diffractive surfaces by using examples of input/output fields corresponding
to the target transformation. We compared the all-optical transformation errors
and diffraction efficiencies achieved using data-free designs as well as
data-driven (deep learning-based) diffractive designs to all-optically perform
(i) arbitrarily-chosen complex-valued transformations including unitary,
nonunitary and noninvertible transforms, (ii) 2D discrete Fourier
transformation, (iii) arbitrary 2D permutation operations, and (iv) high-pass
filtered coherent imaging. Our analyses reveal that if the total number (N) of
spatially-engineered diffractive features/neurons is N_i x N_o or larger, both
design methods succeed in all-optical implementation of the target
transformation, achieving negligible error. However, compared to data-free
designs, deep learning-based diffractive designs are found to achieve
significantly larger diffraction efficiencies for a given N and their
all-optical transformations are more accurate for N < N_i x N_o. These
conclusions are generally applicable to various optical processors that employ
spatially-engineered diffractive surfaces.
- Abstract（参考訳）: 入力(N_i)と出力(N_o)の間の任意の複素値線形変換を全光学的に行うための回折曲面の設計を報告する。
まず, 単一回折面を考え, 行列擬逆法を用いて回折特徴量/ニューロンの複素値伝達係数を判定し, 所望/目標線形変換を行う。
このデータフリー設計手法に加えて,対象変換に対応する入出力フィールドの例を用いて,回折表面の伝達係数を最適化する深層学習に基づく設計手法も検討する。
我々は、データフリーな設計とデータ駆動(深層学習に基づく)の回折設計を用いて達成された全光学変換誤差と回折効率を比較し、(i)ユニタリ、非ユニタリ、非可逆変換、(ii)2次元離散フーリエ変換、(iii)任意の2次元置換演算、および(iv)ハイパスフィルタコヒーレントイメージングを含む任意の複素数値変換を行った。
解析の結果、空間工学的特徴/ニューロンの総数(N)がN_i x N_o以上であれば、どちらの設計手法も目標変換の完全な光学的実装に成功し、無視可能な誤差を達成できることがわかった。
しかし,n<n_i x n_oでは,データフリー設計に比べ,n<n_i x n_oの回折効率が大幅に向上し,全光変換精度が向上した。
これらの結論は一般に、空間工学的な回折曲面を用いる様々な光学プロセッサに適用できる。
関連論文リスト
- Variable-size Symmetry-based Graph Fourier Transforms for image compression [65.7352685872625]
可変サイズのグラフフーリエ変換を符号化フレームワークに導入する。
提案アルゴリズムは,ノード間の特定の対称接続を追加することにより,グリッド上の対称グラフを生成する。
実験により、SBGFTは、明示的な多重変換選択に統合された一次変換よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-11-24T13:00:44Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Complex-valued universal linear transformations and image encryption
using spatially incoherent diffractive networks [0.0]
光学プロセッサとして、D2NN(Diffractive Deep Neural Network)は、機械学習によって設計された回折曲面を用いて、全光学情報処理を行う。
空間的に非コヒーレントな微分視覚プロセッサは、複雑な値の線形変換を近似し、非コヒーレント照明を用いた全光画像暗号化に使用できることを示す。
論文 参考訳（メタデータ） (2023-10-05T08:43:59Z) - Entropy Transformer Networks: A Learning Approach via Tangent Bundle
Data Manifold [8.893886200299228]
本稿では,CNNアーキテクチャの設計における画像変換の高精度かつ高速なアプローチについて述べる。
データ多様体分布を補間する新しいエントロピーSTN(ESTN)を提案する。
挑戦的なベンチマークの実験は、提案されたESTNがコンピュータビジョンタスクの範囲で予測精度を向上させることを示している。
論文 参考訳（メタデータ） (2023-07-24T04:21:51Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Universal Linear Intensity Transformations Using Spatially-Incoherent
Diffractive Processors [0.0]
空間的不整合光の下では、微分光学ネットワークは任意の複素値線形変換を行うように設計されている。
空間的非コヒーレントな拡散ネットワークは任意の線形強度変換を全光的に行うことができることを数値的に示す。
論文 参考訳（メタデータ） (2023-03-23T04:51:01Z) - Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。
対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。
この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文 参考訳（メタデータ） (2023-02-02T00:13:32Z) - Massively Parallel Universal Linear Transformations using a
Wavelength-Multiplexed Diffractive Optical Network [8.992945252617707]
大規模並列ブロードバンド回折ニューラルネットワークのディープラーニングに基づく設計で、大規模な変換を全光学的に実行する。
非常に並列で波長多重の回折ネットワークは、高スループットのインテリジェントマシンビジョンシステムの設計に有用である。
論文 参考訳（メタデータ） (2022-08-13T07:59:39Z) - Polarization Multiplexed Diffractive Computing: All-Optical
Implementation of a Group of Linear Transformations Through a
Polarization-Encoded Diffractive Network [0.0]
偏光多重拡散型プロセッサを導入し、任意の線形変換を全光学的に行う。
単一微分ネットワークは、任意選択されたターゲット変換のグループをうまく近似し、全光学的に実装することができる。
このプロセッサは、光学コンピューティングや偏光に基づくマシンビジョンタスクに様々な応用を見出すことができる。
論文 参考訳（メタデータ） (2022-03-25T07:10:47Z) - Revisiting Transformation Invariant Geometric Deep Learning: Are Initial
Representations All You Need? [80.86819657126041]
変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。
具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。
我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
論文 参考訳（メタデータ） (2021-12-23T03:52:33Z) - Channel-Directed Gradients for Optimization of Convolutional Neural
Networks [50.34913837546743]
本稿では,畳み込みニューラルネットワークの最適化手法を提案する。
出力チャネル方向に沿って勾配を定義することで性能が向上し,他の方向が有害となることを示す。
論文 参考訳（メタデータ） (2020-08-25T00:44:09Z)
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。