論文の概要: Experimental Evaluation of Computational Complexity for Different Neural
Network Equalizers in Optical Communications
- arxiv url: http://arxiv.org/abs/2109.08711v1
- Date: Fri, 17 Sep 2021 18:31:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:07:28.357317
- Title: Experimental Evaluation of Computational Complexity for Different Neural
Network Equalizers in Optical Communications
- Title(参考訳): 光通信におけるニューラルネットワーク等化器の計算複雑性に関する実験的検討
- Authors: Pedro J. Freire, Yevhenii Osadchuk, Antonio Napoli, Bernhard Spinnler,
Wolfgang Schairer, Nelson Costa, Jaroslaw E. Prilepsky, Sergei K. Turitsyn
- Abstract要約: いくつかのニューラルネットワークアーキテクチャの比較分析を行うことで、パフォーマンスと複雑性のトレードオフを定量化する。
本稿では,TWC と SSMF のセットアップ結果について述べる。
- 参考スコア(独自算出の注目度): 2.085681052464444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Addressing the neural network-based optical channel equalizers, we quantify
the trade-off between their performance and complexity by carrying out the
comparative analysis of several neural network architectures, presenting the
results for TWC and SSMF set-ups.
- Abstract(参考訳): ニューラルネットワークベースの光チャネル等化器に対処し、TWCとSSMFのセットアップ結果を示すニューラルネットワークアーキテクチャの比較分析を行うことにより、その性能と複雑さのトレードオフを定量化する。
関連論文リスト
- Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳(メタデータ) (2024-12-05T09:41:33Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳(メタデータ) (2024-11-07T14:08:35Z) - Steinmetz Neural Networks for Complex-Valued Data [23.80312814400945]
本稿では,並列実数値処理と結合出力を組み合わせたDNNを用いた複素数値データ処理手法を提案する。
提案するアーキテクチャのクラスは、Steinmetz Neural Networksと呼ばれ、多視点学習を取り入れて、潜在空間におけるより解釈可能な表現を構築する。
この数値実験では,提案するネットワークがベンチマークデータセットと合成例を用いて提案する付加雑音に対する性能改善と頑健性について述べる。
論文 参考訳(メタデータ) (2024-09-16T08:26:06Z) - Stochastic Gradient Descent for Two-layer Neural Networks [2.0349026069285423]
本稿では、過パラメータ化された2層ニューラルネットワークに適用した場合の降下(SGD)アルゴリズムの収束率について検討する。
提案手法は,NTKのタンジェントカーネル(NTK)近似と,NTKが生成する再生カーネル空間(RKHS)の収束解析を組み合わせたものである。
我々の研究フレームワークは、カーネルメソッドと最適化プロセスの間の複雑な相互作用を探索し、ニューラルネットワークのダイナミクスと収束特性に光を当てることを可能にする。
論文 参考訳(メタデータ) (2024-07-10T13:58:57Z) - Parallel Proportional Fusion of Spiking Quantum Neural Network for Optimizing Image Classification [10.069224006497162]
量子・スパイキングニューラルネットワーク(PPF-QSNN)の並列比例融合(Parallel Proportional Fusion of Quantum and Spiking Neural Networks)と呼ばれる新しいアーキテクチャを導入する。
提案したPPF-QSNNは、既存のスパイクニューラルネットワークと、精度、損失、ロバストネスといったメトリクスにわたるシリアル量子ニューラルネットワークの両方より優れている。
本研究は、人工知能計算における量子優位性の発展と応用の基盤となるものである。
論文 参考訳(メタデータ) (2024-04-01T10:35:35Z) - Fully-blind Neural Network Based Equalization for Severe Nonlinear
Distortions in 112 Gbit/s Passive Optical Networks [6.081142345739704]
我々は100Gパッシブ光ネットワーク(PON)のための全盲デジタル信号処理(DSP)チェーンの実証と評価を行った。
我々は、ハードウェアの複雑さが低いニューラルネットワークに基づいて、異なる等化器トポロジを解析する。
論文 参考訳(メタデータ) (2024-01-17T20:00:16Z) - Spiking Neural Network Decision Feedback Equalization for IM/DD Systems [70.3497683558609]
様々なパラメータを持つIM/DDリンクに、決定フィードバック構造を有するスパイキングニューラルネットワーク(SNN)等化器を適用する。
SNNは、線形および人工ニューラルネットワーク(ANN)ベースの等化器よりも優れている。
論文 参考訳(メタデータ) (2023-04-27T12:49:31Z) - Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。
提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。
決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文 参考訳(メタデータ) (2022-11-09T09:19:15Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳(メタデータ) (2021-03-01T03:10:11Z) - Equivalence in Deep Neural Networks via Conjugate Matrix Ensembles [0.0]
ディープラーニングアーキテクチャの等価性を検出するための数値解析手法を開発した。
経験的証拠は、ニューラルアーキテクチャのスペクトル密度とそれに対応する共役円形アンサンブルの差が消えているという現象を裏付けている。
論文 参考訳(メタデータ) (2020-06-14T12:34:13Z)
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。