論文の概要: Diffractive Interconnects: All-Optical Permutation Operation Using
Diffractive Networks
- arxiv url: http://arxiv.org/abs/2206.10152v1
- Date: Tue, 21 Jun 2022 07:25:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 20:03:38.064097
- Title: Diffractive Interconnects: All-Optical Permutation Operation Using
Diffractive Networks
- Title（参考訳）: Diffractive Interconnects:Diffractive Networks を用いた全オプティカル置換操作
- Authors: Deniz Mengu, Yifan Zhao, Anika Tabassum, Mona Jarrahi, Aydogan Ozcan
- Abstract要約: 本稿では、深層学習によって設計され、全光学的に置換演算を行う回折光学ネットワークを提案する。
提案した回折置換ネットワークは、無線ネットワークにおけるチャネルルーティングや相互接続パネルとして機能する可能性がある。
- 参考スコア（独自算出の注目度）: 18.22140098600563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Permutation matrices form an important computational building block
frequently used in various fields including e.g., communications, information
security and data processing. Optical implementation of permutation operators
with relatively large number of input-output interconnections based on
power-efficient, fast, and compact platforms is highly desirable. Here, we
present diffractive optical networks engineered through deep learning to
all-optically perform permutation operations that can scale to hundreds of
thousands of interconnections between an input and an output field-of-view
using passive transmissive layers that are individually structured at the
wavelength scale. Our findings indicate that the capacity of the diffractive
optical network in approximating a given permutation operation increases
proportional to the number of diffractive layers and trainable transmission
elements in the system. Such deeper diffractive network designs can pose
practical challenges in terms of physical alignment and output diffraction
efficiency of the system. We addressed these challenges by designing
misalignment tolerant diffractive designs that can all-optically perform
arbitrarily-selected permutation operations, and experimentally demonstrated,
for the first time, a diffractive permutation network that operates at THz part
of the spectrum. Diffractive permutation networks might find various
applications in e.g., security, image encryption and data processing, along
with telecommunications; especially with the carrier frequencies in wireless
communications approaching THz-bands, the presented diffractive permutation
networks can potentially serve as channel routing and interconnection panels in
wireless networks.
- Abstract（参考訳）: 置換行列は、通信、情報セキュリティ、データ処理など様々な分野で頻繁に使用される重要な計算ビルディングブロックを形成する。
電力効率,高速,コンパクトなプラットフォームに基づく比較的多数の入出力相互接続を持つ置換演算子の光学的実装が望ましい。
本稿では,波長スケールで個別に構成された受動透過層を用いて,入力と出力フィールド間の数十万の相互接続にスケール可能な透過操作を全光学的に行うために,ディープラーニングによって構築された回折光学ネットワークを提案する。
以上の結果から,与えられた置換操作を近似する回折光ネットワークの容量は,システム内の回折層数と学習可能な伝送素子数に比例することがわかった。
このような深い回折ネットワーク設計は、システムの物理的アライメントと出力回折効率の観点から、実用的な課題を提起することができる。
我々は,任意に選択された置換操作を全能的に行うような不均衡耐性拡散型設計を考案し,スペクトルのthz部分で動作する回折型置換ネットワークを初めて実験的に実証した。
Diffractive Permutation Networkは、セキュリティ、画像暗号化、データ処理などの様々な用途や通信、特にTHz帯域に接近する無線通信におけるキャリア周波数など、無線ネットワークにおけるチャネルルーティングや相互接続パネルとして機能する可能性がある。
関連論文リスト
- Multiplexed all-optical permutation operations using a reconfigurable
diffractive optical network [12.518715786252393]
大規模かつ高次元の置換操作は、通信や暗号化といった様々な用途において重要である。
ここでは、高次元の置換演算の実行に全光回折計算を用いることを実演する。
論文 参考訳（メタデータ） (2024-02-04T08:19:14Z) - Efficient Multi-scale Network with Learnable Discrete Wavelet Transform for Blind Motion Deblurring [25.36888929483233]
そこで本研究では,シングルインプットとマルチアウトプット(SIMO)に基づくマルチスケールネットワークを提案する。
実世界の軌道特性を学習可能なウェーブレット変換モジュールと組み合わせて、ぼやけた画像から鋭い画像へのステップバイステップ遷移の方向連続性と周波数特性に着目した。
論文 参考訳（メタデータ） (2023-12-29T02:59:40Z) - Communication-Efficient Framework for Distributed Image Semantic
Wireless Transmission [68.69108124451263]
IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。
各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。
チャネル状態情報に基づく多重出力多重出力伝送モジュール。
論文 参考訳（メタデータ） (2023-08-07T16:32:14Z) - Adaptive Frequency Filters As Efficient Global Token Mixers [100.27957692579892]
適応周波数フィルタは効率的なグローバルトークンミキサーとして機能することを示す。
我々は、AFFNetと呼ばれる軽量ニューラルネットワークを構築するために、AFFトークンミキサーを主要なニューラルネットワークとして捉えています。
論文 参考訳（メタデータ） (2023-07-26T07:42:28Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Time-lapse image classification using a diffractive neural network [0.0]
回折ネットワークを用いたタイムラプス画像分類方式を初めて示す。
CIFAR-10データセットからの物体の光学的分類におけるブラインドテスト精度は62.03%である。
これは、これまで1つの回折ネットワークを用いて達成された最も高い推測精度を構成する。
論文 参考訳（メタデータ） (2022-08-23T08:16:30Z) - 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) - Rich CNN-Transformer Feature Aggregation Networks for Super-Resolution [50.10987776141901]
近年の視覚変換器と自己注意は,様々なコンピュータビジョンタスクにおいて有望な成果を上げている。
我々は,CNNの局所的特徴とトランスフォーマーが捉えた長距離依存性を活用する,超解像(SR)タスクのための効果的なハイブリッドアーキテクチャを提案する。
提案手法は,多数のベンチマークデータセットから最先端のSR結果を得る。
論文 参考訳（メタデータ） (2022-03-15T06:52:25Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Scale-, shift- and rotation-invariant diffractive optical networks [0.0]
D2NN(Diffractive Deep Neural Networks)は、一連のトレーニング可能な表面上の光-物質相互作用を利用して、所望の統計的推論タスクを計算する。
そこで本研究では,学習期間中に入力オブジェクトの変換,回転,スケーリングを導入する,拡散型ネットワークの新たなトレーニング戦略を示す。
このトレーニング戦略は、スケール、シフト、回転不変の解への微分光学ネットワーク設計の進化をうまく導く。
論文 参考訳（メタデータ） (2020-10-24T02:18:39Z) - Volumetric Transformer Networks [88.85542905676712]
学習可能なモジュールである容積変換器ネットワーク(VTN)を導入する。
VTNは、中間CNNの空間的およびチャネル的特徴を再設定するために、チャネル回りの歪み場を予測する。
実験の結果,VTNは特徴量の表現力を一貫して向上し,細粒度画像認識とインスタンスレベルの画像検索におけるネットワークの精度が向上することがわかった。
論文 参考訳（メタデータ） (2020-07-18T14:00:12Z)
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。