論文の概要: Multi-mode fiber reservoir computing overcomes shallow neural networks
classifiers
- arxiv url: http://arxiv.org/abs/2210.04745v1
- Date: Mon, 10 Oct 2022 14:55:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 19:26:53.859473
- Title: Multi-mode fiber reservoir computing overcomes shallow neural networks
classifiers
- Title(参考訳): 浅層ニューラルネットワーク分類器を克服したマルチモードファイバリザーバコンピューティング
- Authors: Daniele Ancora, Matteo Negri, Antonio Gianfrate, Dimitris
Trypogeorgos, Lorenzo Dominici, Daniele Sanvitto, Federico Ricci-Tersenghi,
Luca Leuzzi
- Abstract要約: 多モード光ファイバは安価で扱いやすい複雑なデバイスであるため、広く研究されている。
ここでは、貯水池計算のパラダイムを用いて、これらの光学ツールを十分な量の相互作用を導入可能なランダムプロジェクタに変換する。
ファイバによって投影されるデータに対して,単一のロジスティック回帰層をトレーニングすることにより,原画像上で学習する際の精度が向上することを示す。
- 参考スコア(独自算出の注目度): 8.891157811906407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In disordered photonics, one typically tries to characterize the optically
opaque material in order to be able to deliver light or perform imaging through
it. Among others, multi-mode optical fibers are extensively studied because
they are cheap and easy-to-handle complex devices. Here, instead, we use the
reservoir computing paradigm to turn these optical tools into random projectors
capable of introducing a sufficient amount of interaction to perform non-linear
classification. We show that training a single logistic regression layer on the
data projected by the fiber improves the accuracy with respect to learning it
on the raw images. Surprisingly, the classification accuracy performed with
physical measurements is higher than the one obtained using the standard
transmission matrix model, a widely accepted tool to describe light
transmission through disordered devices. Consistently with the current theory
of deep neural networks, we also reveal that the classifier lives in a flatter
region of the loss landscape when trained on fiber data. These facts suggest
that multi-mode fibers exhibit robust generalization properties, thus making
them promising tools for optically-aided machine learning.
- Abstract(参考訳): 乱れたフォトニクスでは、通常は光学的に不透明な物質を特徴付け、光を届けたり、撮像を行うことができる。
特に、マルチモード光ファイバは安価で扱いやすい複雑なデバイスであるため、広く研究されている。
ここでは、貯水池計算のパラダイムを用いて、これらの光学ツールを非線形分類を行うのに十分な量の相互作用を導入できるランダムプロジェクタに変換する。
ファイバが投影するデータに対して,単一のロジスティック回帰層をトレーニングすることで,生画像上で学習する精度が向上することを示す。
驚くべきことに、物理的測定による分類精度は、乱れたデバイスによる光伝送を記述する手段として広く受け入れられている標準透過マトリクスモデルより高い。
ディープニューラルネットワークの現在の理論とは対照的に,ファイバデータに基づくトレーニングでは,損失景観の平坦な領域に分類器が存在することも明らかにした。
これらの事実は、マルチモードファイバが堅牢な一般化特性を示し、光学的機械学習のツールとして有望であることを示唆している。
関連論文リスト
- Training Hybrid Neural Networks with Multimode Optical Nonlinearities Using Digital Twins [2.8479179029634984]
大規模非線形変換を行う多モードファイバに超短パルス伝搬を導入する。
ハイブリッドアーキテクチャのトレーニングは、光学系を微分的に近似するニューラルモデルによって達成される。
実験により,最先端の画像分類精度とシミュレーション精度が得られた。
論文 参考訳(メタデータ) (2025-01-14T10:35:18Z) - Optical training of large-scale Transformers and deep neural networks with direct feedback alignment [48.90869997343841]
我々は,ハイブリッド電子フォトニックプラットフォーム上で,ダイレクトフィードバックアライメントと呼ばれる多目的でスケーラブルなトレーニングアルゴリズムを実験的に実装した。
光処理ユニットは、このアルゴリズムの中央動作である大規模ランダム行列乗算を最大1500テラOpsで行う。
我々は、ハイブリッド光アプローチの計算スケーリングについて検討し、超深度・広帯域ニューラルネットワークの潜在的な利点を実証する。
論文 参考訳(メタデータ) (2024-09-01T12:48:47Z) - Genetically programmable optical random neural networks [0.0]
遺伝的にプログラム可能であるが,光学的ランダムプロジェクションによる高性能を実現するための単純な光学的ニューラルネットワークを実証する。
本手法は,各種機械学習タスクにおいて,カーネルの最適化と初期テスト精度の8~41%向上を実現する。
論文 参考訳(メタデータ) (2024-03-19T06:55:59Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - Experimentally realized in situ backpropagation for deep learning in
nanophotonic neural networks [0.7627023515997987]
私たちは、カスタムデザインの「フォトニックメッシュ」アクセラレーターをカスケードする、大量製造可能なシリコンフォトニックニューラルネットワークを設計します。
In situ backproagation を初めて示し、分類課題を解く。
本研究は、フォトニクス加速人工知能の新しいトレーニングパラダイムを、一般的なバックプロパゲーション手法の物理的類似に基づいて提案するものであることを示唆する。
論文 参考訳(メタデータ) (2022-05-17T17:13:50Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Learning optical flow from still images [53.295332513139925]
我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。
既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。
我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
論文 参考訳(メタデータ) (2021-04-08T17:59:58Z) - Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。
BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。
複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文 参考訳(メタデータ) (2021-02-11T12:00:24Z) - 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) - 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) - Large-scale spatiotemporal photonic reservoir computer for image
classification [0.8701566919381222]
本稿では,手書き桁の分類を行うために,フィードフォワードとリカレントニューラルネットワークを実装するためのスケーラブルなフォトニックアーキテクチャを提案する。
実験では、既製の光学部品と電子部品を利用して、現在16,384ノードのネットワークサイズを実現している。
論文 参考訳(メタデータ) (2020-04-06T10:22:31Z)
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。