論文の概要: Nonlinear Optical Data Transformer for Machine Learning

• arxiv url: http://arxiv.org/abs/2208.09398v1
• Date: Fri, 19 Aug 2022 15:28:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-22 17:01:35.560483
• Title: Nonlinear Optical Data Transformer for Machine Learning
• Title（参考訳）: 機械学習のための非線形光データ変換器
• Authors: Mustafa Yildirim, Ilker Oguz, Fabian Kaufmann, Marc Reig Escale, Rachel Grange, Demetri Psaltis and Christophe Moser
• Abstract要約: 本研究は,LiNbO3の14mm長の多モード導波路を複合非線形光学プロセッサとして使用する貯留層計算(RC)手法について検討する。 データセットはフェムト秒パルスのスペクトル上にデジタル符号化され、導波路で起動される。 導波管からの出力スペクトルを用いた784パラメータの単純なディジタル線形分類器は、非変換データと比較して、複数のデータベースの分類精度を向上することを示した。
• 参考スコア（独自算出の注目度）: 1.4909662686873477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern machine learning models use an ever-increasing number of parameters to train (175 billion parameters for GPT-3) with large datasets to obtain better performance. Bigger is better has been the norm. Optical computing has been reawakened as a potential solution to large-scale computing through optical accelerators that carry out linear operations while reducing electrical power. However, to achieve efficient computing with light, creating and controlling nonlinearity optically rather than electronically remains a challenge. This study explores a reservoir computing (RC) approach whereby a 14 mm long few-mode waveguide in LiNbO3 on insulator is used as a complex nonlinear optical processor. A dataset is encoded digitally on the spectrum of a femtosecond pulse which is then launched in the waveguide. The output spectrum depends nonlinearly on the input. We experimentally show that a simple digital linear classifier with 784 parameters using the output spectrum from the waveguide as input increased the classification accuracy of several databases compared to non-transformed data, approximately 10$\%$. In comparison, a deep digital neural network (NN) with 40000 parameters was necessary to achieve the same accuracy. Reducing the number of parameters by a factor of $\sim$50 illustrates that a compact optical RC approach can perform on par with a deep digital NN.
• Abstract（参考訳）: 現代の機械学習モデルは、より優れたパフォーマンスを得るために、大きなデータセットで1750億のパラメータをトレーニングするために、ますます多くのパラメータを使用する。 大きい方がよいのが標準だった。 光コンピューティングは、電力を減らしながら線形演算を行う光加速器による大規模コンピューティングの潜在的な解決策として再認識されている。 しかし、光による効率的な計算を実現するためには、電子的にではなく光学的に非線形性を作成し制御することが課題である。 本研究は,LiNbO3の14mm長の多モード導波路を複合非線形光学プロセッサとして使用する貯留層計算(RC)手法について検討する。 データセットはフェムト秒パルスのスペクトル上にデジタル符号化され、導波路で起動される。 出力スペクトルは入力に非線形に依存する。 入力として導波管からの出力スペクトルを用いた784パラメータの単純なディジタル線形分類器は, 変形しないデータに比べて, 複数データベースの分類精度を約10$\%$に向上させることを示した。 同じ精度を達成するためには、40000パラメータのディープ・デジタル・ニューラル・ネットワーク(nn)が必要であった。 パラメータ数を$\sim$50の係数で減少させることは、デジタルNNと同等にコンパクトな光学RCアプローチを実現できることを示している。

関連論文リスト

• Unconventional Computing based on Four Wave Mixing in Highly Nonlinear Waveguides [0.0]
  高非線形導波路の4波混合効果に基づくフォトニック非従来型加速器の数値解析を行った。 豊かなKerr誘起非線形性を利用することで、入力信号の複数の非線形変換を生成し、複雑な非線形タスクを解くのに使うことができる。
  論文  参考訳（メタデータ） (2024-02-14T12:34:38Z)
• Weak Kerr Nonlinearity Boosts the Performance of Frequency-Multiplexed Photonic Extreme Learning Machines: A Multifaceted Approach [49.1574468325115]
  周波数多重学習機(ELM)の性能に及ぼすKerr非線形性の影響について検討する。 Kerrの非線形性は、効率的な情報混合を可能にするランダム化されたニューロン接続を促進する。 我々は,周波数多重化EMMにおいて,Kerr非線形性は,自己変調やクロスフェーズ変調ではなく,4波混合によって情報を混合することを示すモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-19T16:18:59Z)
• Single-Mode Squeezed Light Generation and Tomography with an Integrated Optical Parametric Oscillator [31.874825130479174]
  鍵となるリソースは圧縮光であり、量子ノイズは光学的二次構造の間で再分配される。 薄膜ニオブ酸リチウム共振器の$chi(2)$非線形性を利用するモノリシックなチップスケールプラットフォームを提案する。 我々の研究は、コンパクトで効率的な量子光学システムに向けた大きな一歩である。
  論文  参考訳（メタデータ） (2023-10-19T17:53:36Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Physics-informed Neural Network for Nonlinear Dynamics in Fiber Optics [10.335960060544904]
  深層学習と物理を組み合わせる物理インフォームドニューラルネットワーク (PINN) について, 非線形シュリンガー方程式を解くために検討した。 PINNは、効果的な偏微分方程式解法であるだけでなく、光ファイバーにおける科学計算と自動モデリングの進歩にも期待できる技術である。
  論文  参考訳（メタデータ） (2021-09-01T12:19:32Z)
• An optical neural network using less than 1 photon per multiplication [4.003843776219224]
  手書き桁分類において99%の精度を達成する光ニューラルネットワークを実験的に実証した。 この性能は、カスタム自由空間光学プロセッサを使用して達成された。 私達の結果は低光力操作のための原則を提供します。
  論文  参考訳（メタデータ） (2021-04-27T20:43:23Z)
• Physics-Based Deep Learning for Fiber-Optic Communication Systems [10.630021520220653]
  非線形シュリンガー方程式(NLSE)により制御される光ファイバー通信システムのための新しい機械学習手法を提案する。 本研究の主目的は,NLSEの数値解法として一般的なスプリットステップ法(SSM)が,深い多層ニューラルネットワークと同じ機能を有することである。 我々は、SSMをパラメータ化し、ニューラルネットワークの重み行列と同様、線形ステップを一般線形関数として見ることにより、この接続を利用する。
  論文  参考訳（メタデータ） (2020-10-27T12:55:23Z)
• Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
  集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。 このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。 線形光ネットワークの転送行列を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:04:22Z)

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。