論文の概要: Photonic reservoir computing enabled by stimulated Brillouin scattering

• arxiv url: http://arxiv.org/abs/2302.07698v1
• Date: Wed, 15 Feb 2023 14:57:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 14:49:48.978654
• Title: Photonic reservoir computing enabled by stimulated Brillouin scattering
• Title（参考訳）: 刺激ブリルアン散乱によるフォトニック貯水池の計算
• Authors: Sendy Phang
• Abstract要約: 刺激されたブリルアン散乱の非線形波動力学を利用したフォトニック貯水池計算アーキテクチャに基づく新しい計算プラットフォームについて報告する。 リアルタイム人工知能を実現するために、高性能な光多重化技術と組み合わせて使用するのに適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI) drives the creation of future technologies that disrupt the way humans live and work, creating new solutions that change the way we approach tasks and activities, but it requires a lot of data processing, large amounts of data transfer, and computing speed. It has led to a growing interest of research in developing a new type of computing platform which is inspired by the architecture of the brain specifically those that exploit the benefits offered by photonic technologies, fast, low-power, and larger bandwidth. Here, a new computing platform based on the photonic reservoir computing architecture exploiting the non-linear wave-optical dynamics of the stimulated Brillouin scattering is reported. The kernel of the new photonic reservoir computing system is constructed of an entirely passive optical system. Moreover, it is readily suited for use in conjunction with high performance optical multiplexing techniques to enable real-time artificial intelligence. Here, a methodology to optimise the operational condition of the new photonic reservoir computing is described which is found to be strongly dependent on the dynamics of the stimulated Brillouin scattering system. The new architecture described here offers a new way of realising AI-hardware which highlight the application of photonics for AI.
• Abstract（参考訳）: ai(artificial intelligence, 人工知能)は、人間の生活と働きを阻害する未来の技術を生み出し、タスクやアクティビティへのアプローチ方法を変える新しいソリューションを生み出しますが、多くのデータ処理、大量のデータ転送、そしてコンピューティングのスピードを必要とします。 これは脳のアーキテクチャ、特にフォトニック技術、高速、低消費電力、より大きな帯域幅の利点を生かした脳のアーキテクチャにインスパイアされた新しいタイプのコンピューティングプラットフォームの開発に対する研究の関心が高まっている。 本稿では,励起ブリルアン散乱の非線形波動光学ダイナミクスを利用したフォトニック貯水池計算アーキテクチャに基づく新しい計算プラットフォームについて報告する。 新しいフォトニック貯水池計算システムのカーネルは、完全にパッシブな光学系で構成されている。 さらに、リアルタイム人工知能を実現するために、高性能な光多重化技術と併用するのに適している。 ここでは,新しいフォトニック貯水池計算の動作条件を最適化する手法について述べる。 ここで説明した新しいアーキテクチャは、AIのためのフォトニクスの応用を強調する、AIハードウェアを実現する新しい方法を提供する。

関連論文リスト

• An optically accelerated extreme learning machine using hot atomic vapors [0.0]
  熱水蒸気を伝播する光の強い非線形特性とチューナブルな非線形特性とエクストリーム学習マシンモデルを組み合わせた新しい設計を提案する。 我々は、MNIST画像分類タスクにおいて、そのような自由空間非線形伝搬を用いたトレーニングの強化を数値的および実験的に示す。
  論文  参考訳（メタデータ） (2024-09-06T14:36:56Z)
• 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)
• Optical Computing for Deep Neural Network Acceleration: Foundations, Recent Developments, and Emerging Directions [3.943289808718775]
  我々は、ディープニューラルネットワーク(DNN)を中心に、光学コンピューティングにおける基礎と最先端の開発について論じる。 様々な有望なアプローチが、工学的な光学デバイス、光学回路の強化、様々なDNNワークロードに光コンピューティングを適応できるアーキテクチャの設計のために説明されている。 DNNモデルをインテリジェントにチューニングし、マッピングして、高性能でリソース制約のある組み込み、エッジ、IoTプラットフォームにわたる光コンピューティングプラットフォームのパフォーマンスとエネルギー効率を向上させる、ハードウェア/ソフトウェア共同設計のための新しい技術についても論じる。
  論文  参考訳（メタデータ） (2024-07-30T20:50:30Z)
• Artificial intelligence optical hardware empowers high-resolution hyperspectral video understanding at 1.2 Tb/s [53.91923493664551]
  本研究は,多次元映像理解のためのハードウェアアクセラレーション型集積光電子プラットフォームをリアルタイムに導入する。 この技術プラットフォームは、人工知能ハードウェアと光学的に情報を処理し、最先端のマシンビジョンネットワークを組み合わせる。 このような性能は、類似のスペクトル分解能を持つ最も近い技術の速度を3～4等級で上回る。
  論文  参考訳（メタデータ） (2023-12-17T07:51:38Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
  音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。 深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。 フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
  論文  参考訳（メタデータ） (2023-12-11T17:43:58Z)
• Cross-Layer Design for AI Acceleration with Non-Coherent Optical Computing [5.188712126001397]
  非コヒーレントな光コンピューティングプラットフォームにおいて、層間設計がいかに課題を克服できるかを示す。 非コヒーレント光学コンピューティングは、AIワークロードの光速加速のための有望なアプローチである。
  論文  参考訳（メタデータ） (2023-03-22T21:03:40Z)
• Analog Photonics Computing for Information Processing, Inference and Optimisation [0.0]
  フォトニクスコンピューティングの現状を概観する。 光子、物質と結合した光子、および効率的な計算目的のために光学関連技術を使用する。
  論文  参考訳（メタデータ） (2023-01-27T14:58:22Z)
• Photonics for artificial intelligence and neuromorphic computing [52.77024349608834]
  フォトニック集積回路は超高速な人工ニューラルネットワークを可能にした。 フォトニックニューロモルフィックシステムはナノ秒以下のレイテンシを提供する。 これらのシステムは、機械学習と人工知能の需要の増加に対応する可能性がある。
  論文  参考訳（メタデータ） (2020-10-30T21:41:44Z)
• 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。