Fugu-MT 論文翻訳(概要): Data-efficient Modeling of Optical Matrix Multipliers Using Transfer Learning

論文の概要: Data-efficient Modeling of Optical Matrix Multipliers Using Transfer Learning

arxiv url: http://arxiv.org/abs/2211.16038v1
Date: Tue, 29 Nov 2022 09:22:42 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 14:53:19.719962
Title: Data-efficient Modeling of Optical Matrix Multipliers Using Transfer Learning
Title（参考訳）: 転送学習を用いた光行列乗算器のデータ効率モデリング
Authors: Ali Cem, Ognjen Jovanovic, Siqi Yan, Yunhong Ding, Darko Zibar, Francesco Da Ros
Abstract要約: 本稿では,光学行列乗算器の伝送学習支援ニューラルネットワークモデルについて述べる。提案手法では,Mach-Zehnder干渉計メッシュの解析モデルの性能向上と性能向上に要する実験データの10%を用いている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We demonstrate transfer learning-assisted neural network models for optical matrix multipliers with scarce measurement data. Our approach uses <10\% of experimental data needed for best performance and outperforms analytical models for a Mach-Zehnder interferometer mesh.
Abstract（参考訳）: 本稿では,光学行列乗算器の伝送学習支援ニューラルネットワークモデルについて述べる。提案手法では,Mach-Zehnder干渉計メッシュの解析モデルの性能向上と性能向上に要する実験データを<10\%とする。

関連論文リスト

Addressing Data Scarcity in Optical Matrix Multiplier Modeling Using Transfer Learning [0.0]
本稿では,データ不足に対処するためにトランスファーラーニング(transfer learning)を用いて実験的検討を行った。提案手法では,より精度の低い解析モデルから生成された合成データを用いて,モデルの事前学習を行う。 3x3フォトニックチップで実装された行列重みに対する1dBのルート平均二乗誤差を、利用可能なデータの25%だけを用いて達成する。
論文参考訳（メタデータ） (2023-08-10T07:33:00Z)
Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-06-03T06:19:20Z)
Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文参考訳（メタデータ） (2023-05-10T11:10:09Z)
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-27T20:53:39Z)
Data-driven Modeling of Mach-Zehnder Interferometer-based Optical Matrix Multipliers [0.0]
フォトニック集積回路は光ニューラルネットワークの開発を促進する。光学行列乗算器のオフライントレーニングのための単純な解析モデルとデータ駆動モデルの両方について述べる。ニューラルネットワークベースのモデルは、予測誤差の観点から、単純な物理ベースのモデルよりも優れています。
論文参考訳（メタデータ） (2022-10-17T15:19:26Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Comparison of Models for Training Optical Matrix Multipliers in Neuromorphic PICs [0.0]
プログラム可能なフォトニックチップのオフライントレーニングにおいて、単純な物理ベースとデータ駆動型ニューラルネットワークベースのモデルを比較した。ニューラルネットワークモデルは、熱クロストークを持つチップの物理モデルよりも優れ、テスト精度が向上する。
論文参考訳（メタデータ） (2021-11-23T12:15:21Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
A Taylor Based Sampling Scheme for Machine Learning in Computational Physics [0.0]
数値シミュレーションプログラムを用いてデータを生成する能力を利用して機械学習モデルをより良く訓練する。通常の微分方程式(ODE)システムの解を学習する際のディープニューラルネットワーク(DNN)の誤差を低減するために、テイラー近似に基づく新しいデータサンプリングスキームを考案した。
論文参考訳（メタデータ） (2021-01-20T12:56:09Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)
Exponentially improved detection and correction of errors in experimental systems using neural networks [0.0]
実験装置の実証モデルを作成するために,2つの機械学習アルゴリズムを導入する。これにより、一般化最適化タスクに必要な測定回数を指数関数的に削減することができる。イオントラップ内の成層電場の検出と補償を例に,両アルゴリズムを実証する。
論文参考訳（メタデータ） (2020-05-18T22:42:11Z)

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。