論文の概要: Universal Linear Intensity Transformations Using Spatially-Incoherent
Diffractive Processors
- arxiv url: http://arxiv.org/abs/2303.13037v1
- Date: Thu, 23 Mar 2023 04:51:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 15:42:52.669280
- Title: Universal Linear Intensity Transformations Using Spatially-Incoherent
Diffractive Processors
- Title（参考訳）: 空間的非コヒーレント回折型プロセッサを用いた普遍線形強度変換
- Authors: Md Sadman Sakib Rahman, Xilin Yang, Jingxi Li, Bijie Bai, Aydogan
Ozcan
- Abstract要約: 空間的不整合光の下では、微分光学ネットワークは任意の複素値線形変換を行うように設計されている。
空間的非コヒーレントな拡散ネットワークは任意の線形強度変換を全光的に行うことができることを数値的に示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Under spatially-coherent light, a diffractive optical network composed of
structured surfaces can be designed to perform any arbitrary complex-valued
linear transformation between its input and output fields-of-view (FOVs) if the
total number (N) of optimizable phase-only diffractive features is greater than
or equal to ~2 Ni x No, where Ni and No refer to the number of useful pixels at
the input and the output FOVs, respectively. Here we report the design of a
spatially-incoherent diffractive optical processor that can approximate any
arbitrary linear transformation in time-averaged intensity between its input
and output FOVs. Under spatially-incoherent monochromatic light, the
spatially-varying intensity point spread functon(H) of a diffractive network,
corresponding to a given, arbitrarily-selected linear intensity transformation,
can be written as H(m,n;m',n')=|h(m,n;m',n')|^2, where h is the
spatially-coherent point-spread function of the same diffractive network, and
(m,n) and (m',n') define the coordinates of the output and input FOVs,
respectively. Using deep learning, supervised through examples of input-output
profiles, we numerically demonstrate that a spatially-incoherent diffractive
network can be trained to all-optically perform any arbitrary linear intensity
transformation between its input and output if N is greater than or equal to ~2
Ni x No. These results constitute the first demonstration of universal linear
intensity transformations performed on an input FOV under spatially-incoherent
illumination and will be useful for designing all-optical visual processors
that can work with incoherent, natural light.
- Abstract（参考訳）: 空間コヒーレント光の下では、最適化可能な位相のみの微分特徴の総数(N)が ~2 Ni x No より大きい場合、構造面からなる回折光学ネットワークは、入力と出力のFOVの間の任意の複素値線形変換を実行するように設計することができる。
本稿では,入力と出力間の時間平均強度の任意の線形変換を近似できる空間非一貫性回折型光プロセッサの設計について述べる。
空間的非コヒーレントな単色光の下では、任意の任意選択された線形強度変換に対応する微分ネットワークの空間的に変化する強度点functon(H)は、H(m,n;m',n')=|h(m,n;m',n')|^2と書くことができ、hは同一の微分ネットワークの空間的にコヒーレントな点-スプレッド関数であり、(m,n)と(m,n')はそれぞれ出力と入力FOVの座標を定義する。
入力出力プロファイルの例を通して教師ありしたディープラーニングを用いて,nが~2 ni x no 以上の場合,入力と出力の間で任意の線形インテンシティ変換を行うように空間的に非一貫性な回折ネットワークを訓練できることを数値的に証明した。
これらの結果は、空間的不整合照明下で入力FOV上で実行される普遍線形強度変換の最初の実証であり、非整合自然光で動作する全光学視覚プロセッサの設計に有用である。
関連論文リスト
- State-Free Inference of State-Space Models: The Transfer Function Approach [132.83348321603205]
状態のない推論では、状態サイズが大きくなると大きなメモリや計算コストは発生しない。
提案した周波数領域転送関数のパラメトリゼーション特性を用いてこれを実現する。
長い畳み込みハイエナベースライン上での言語モデリングにおける難易度の改善を報告した。
論文 参考訳（メタデータ） (2024-05-10T00:06:02Z) - Diffusion-based Light Field Synthesis [50.24624071354433]
LFdiffは、LF合成に適した拡散ベースの生成フレームワークである。
本稿では,遠絡型雑音推定ネットワークDistgUnetを提案する。
広範囲な実験により、LFdiffは視覚的に快く、不均一に制御可能な光電場を合成する際に優れていることが示されている。
論文 参考訳（メタデータ） (2024-02-01T13:13:16Z) - Complex-valued universal linear transformations and image encryption
using spatially incoherent diffractive networks [0.0]
光学プロセッサとして、D2NN(Diffractive Deep Neural Network)は、機械学習によって設計された回折曲面を用いて、全光学情報処理を行う。
空間的に非コヒーレントな微分視覚プロセッサは、複雑な値の線形変換を近似し、非コヒーレント照明を用いた全光画像暗号化に使用できることを示す。
論文 参考訳（メタデータ） (2023-10-05T08:43:59Z) - Shaping Single Photons through Multimode Optical Fibers using Mechanical
Perturbations [55.41644538483948]
単一の光子の形状と絡み合った光子対間の空間的相関を制御するための全ファイバーアプローチを示す。
これらの摂動を最適化し、単一光子の空間分布や光子対の空間相関を1箇所に局在させる。
論文 参考訳（メタデータ） (2023-06-04T07:33:39Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳（メタデータ） (2023-03-01T10:38:10Z) - 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) - Polarization Multiplexed Diffractive Computing: All-Optical
Implementation of a Group of Linear Transformations Through a
Polarization-Encoded Diffractive Network [0.0]
偏光多重拡散型プロセッサを導入し、任意の線形変換を全光学的に行う。
単一微分ネットワークは、任意選択されたターゲット変換のグループをうまく近似し、全光学的に実装することができる。
このプロセッサは、光学コンピューティングや偏光に基づくマシンビジョンタスクに様々な応用を見出すことができる。
論文 参考訳（メタデータ） (2022-03-25T07:10:47Z) - Adaptive Fourier Neural Operators: Efficient Token Mixers for
Transformers [55.90468016961356]
本稿では,Fourierドメインのミキシングを学習する効率的なトークンミキサーを提案する。
AFNOは、演算子学習の原則的基礎に基づいている。
65kのシーケンスサイズを処理でき、他の効率的な自己認識機構より優れている。
論文 参考訳（メタデータ） (2021-11-24T05:44:31Z) - All-Optical Synthesis of an Arbitrary Linear Transformation Using
Diffractive Surfaces [0.0]
入力(N_i)と出力(N_o)の間の任意の複素値線形変換を全光学的に行うための微分曲面の設計を報告する。
また,対象変換に対応する入力/出力フィールドの例を用いて,拡散面の伝達係数を最適化する深層学習に基づく設計手法についても検討する。
解析の結果、空間工学的特徴/ニューロンの総数(N)がN_i x N_o以上であれば、どちらの設計手法も目標変換の完全な光学的実装に成功し、無視可能な誤差を達成できることがわかった。
論文 参考訳（メタデータ） (2021-08-22T20:40:35Z) - Photonic co-processors in HPC: using LightOn OPUs for Randomized
Numerical Linear Algebra [53.13961454500934]
従来のハードウェアでは,次元削減のためのランダム化ステップ自体が計算ボトルネックとなる可能性がある。
ランダム化は,様々な重要なrandnlaアルゴリズムにおいて,精度損失が無視できないほど大幅に高速化できることを示す。
論文 参考訳（メタデータ） (2021-04-29T15:48:52Z) - All-Optical Information Processing Capacity of Diffractive Surfaces [0.0]
回折面によって形成されるコヒーレント光ネットワークの情報処理能力について解析する。
我々は、全光学解空間の次元性は、光ネットワーク内の回折面の数に線形に比例することを示した。
より多くのトレーニング可能な曲面からなるより深い微分ネットワークは、複素数値線型変換の高次元部分空間をカバーすることができる。
論文 参考訳（メタデータ） (2020-07-25T00:40:46Z)
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。