論文の概要: Deep Learning with Passive Optical Nonlinear Mapping
- arxiv url: http://arxiv.org/abs/2307.08558v2
- Date: Tue, 18 Jul 2023 15:23:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 11:22:19.370338
- Title: Deep Learning with Passive Optical Nonlinear Mapping
- Title（参考訳）: 受動非線形マッピングを用いた深層学習
- Authors: Fei Xia, Kyungduk Kim, Yaniv Eliezer, Liam Shaughnessy, Sylvain Gigan,
Hui Cao
- Abstract要約: 残響共振器内の多重散乱を利用して光非線形ランダムマッピングを受動的に誘導する設計を提案する。
キャビティ内の多重散乱により容易な光データ圧縮を行い, 重要情報を効率よく圧縮し, 保持できることを示す。
我々の発見は、光コンピューティングのための新しいアルゴリズムとアーキテクチャ設計の道を開いた。
- 参考スコア（独自算出の注目度）: 9.177212626554505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has fundamentally transformed artificial intelligence, but the
ever-increasing complexity in deep learning models calls for specialized
hardware accelerators. Optical accelerators can potentially offer enhanced
performance, scalability, and energy efficiency. However, achieving nonlinear
mapping, a critical component of neural networks, remains challenging
optically. Here, we introduce a design that leverages multiple scattering in a
reverberating cavity to passively induce optical nonlinear random mapping,
without the need for additional laser power. A key advantage emerging from our
work is that we show we can perform optical data compression, facilitated by
multiple scattering in the cavity, to efficiently compress and retain vital
information while also decreasing data dimensionality. This allows rapid
optical information processing and generation of low dimensional mixtures of
highly nonlinear features. These are particularly useful for applications
demanding high-speed analysis and responses such as in edge computing devices.
Utilizing rapid optical information processing capabilities, our optical
platforms could potentially offer more efficient and real-time processing
solutions for a broad range of applications. We demonstrate the efficacy of our
design in improving computational performance across tasks, including
classification, image reconstruction, key-point detection, and object
detection, all achieved through optical data compression combined with a
digital decoder. Notably, we observed high performance, at an extreme
compression ratio, for real-time pedestrian detection. Our findings pave the
way for novel algorithms and architectural designs for optical computing.
- Abstract（参考訳）: ディープラーニングは人工知能を根本的に変えてきたが、ディープラーニングモデルの複雑さはますます高まっている。
光加速器は、性能、スケーラビリティ、エネルギー効率が向上する可能性がある。
しかし、ニューラルネットワークの重要な構成要素である非線形マッピングの実現は、光学的に困難なままである。
本稿では, 残響キャビティ内の多重散乱を利用して, レーザーパワーを増すことなく, 受動的に非線形ランダムマッピングを誘導する設計を提案する。
我々の研究から生じる重要な利点は、キャビティ内の多重散乱によって促進される光データ圧縮を行い、データ次元を減少させながら、重要な情報を効率よく圧縮・保持できることである。
これにより、高速光情報処理と高非線形特徴の低次元混合を生成することができる。
これらはエッジコンピューティングデバイスのような高速解析や応答を必要とするアプリケーションに特に有用である。
高速な光情報処理機能を利用することで、我々の光学プラットフォームはより効率的でリアルタイムな処理ソリューションを幅広い用途に提供できる可能性がある。
ディジタルデコーダを併用した光データ圧縮により, 分類, 画像再構成, キーポイント検出, オブジェクト検出など, タスク全体の計算性能を向上させるための設計の有効性を実証した。
特に, リアルタイム歩行者検出において, 極めて高い圧縮率で高い性能を観察した。
我々の発見は、光コンピューティングのための新しいアルゴリズムとアーキテクチャ設計の道を開いた。
関連論文リスト
- 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ニューラルネットワークを実証する。
ランダムプロジェクションカーネルとして機能する散乱媒質の配向を遺伝的にプログラミングすることにより,本手法は最適なカーネルを発見し,初期試験精度を7-22%向上させる。
提案手法は,シンプルでスケーラブルな設計で,光ニューラルネットワークの高性能化を実現するための有望な手法である。
論文 参考訳（メタデータ） (2024-03-19T06:55:59Z) - Optical Extreme Learning Machines with Atomic Vapors [0.3069335774032178]
極端学習機械は、高次元出力空間上の計算タスクを実行するために非線形ランダムプロジェクションを探索する。
本書では, 近共振条件下での原子ガスを用いた光学的極端学習装置の実現の可能性について検討する。
以上の結果から,これらのシステムは光学的極端学習機として機能するだけでなく,数光子レベルでも動作する可能性が示唆された。
論文 参考訳（メタデータ） (2024-01-08T10:19:28Z) - 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) - Neuromorphic Optical Flow and Real-time Implementation with Event
Cameras [47.11134388304464]
イベントベースのビジョンとスパイクニューラルネットワークの最新の開発の上に構築しています。
我々は、最先端の自己監督型光フロー精度を向上させる新しいネットワークアーキテクチャを提案する。
約2桁の複雑さで高速な光流予測を行う。
論文 参考訳（メタデータ） (2023-04-14T14:03:35Z) - Multi-mode fiber reservoir computing overcomes shallow neural networks
classifiers [8.891157811906407]
我々は、マルチモード光ファイバをランダムなハードウェアプロジェクタにリキャストし、入力データセットをスペックルイメージセットに変換する。
このハードウェアは、ファイバデータに基づいてトレーニングされた場合、損失景観の平坦な領域で動作し、これはディープニューラルネットワークの現在の理論と一致する。
論文 参考訳（メタデータ） (2022-10-10T14:55:02Z) - All-Photonic Artificial Neural Network Processor Via Non-linear Optics [0.0]
本稿では,全フォトニックニューラルネットワークプロセッサを提案する。
情報はニューロンとして機能する周波数モードの振幅に符号化される。
私たちのアーキテクチャは、完全にユニタリで可逆的な計算方法を提供するという点でユニークなものです。
論文 参考訳（メタデータ） (2022-05-17T19:55:30Z) - 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) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳（メタデータ） (2021-04-07T12:00:38Z) - Scalable Optical Learning Operator [0.2399911126932526]
提案するフレームワークは,速度を分類することなく既存のシステムのエネルギースケーリング問題を克服する。
数値的および実験的に、デジタル実装に匹敵する精度で複数の異なるタスクを実行する方法の能力を示した。
その結果、マルチモードファイバベースのコンピュータの性能を複製するには、強力なスーパーコンピュータが必要であることが示された。
論文 参考訳（メタデータ） (2020-12-22T23:06:59Z) - 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。