論文の概要: High-performance real-world optical computing trained by in situ
model-free optimization
- arxiv url: http://arxiv.org/abs/2307.11957v4
- Date: Tue, 28 Nov 2023 14:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 15:22:39.642394
- Title: High-performance real-world optical computing trained by in situ
model-free optimization
- Title(参考訳): in situモデルフリー最適化による高性能実世界光コンピューティング
- Authors: Guangyuan Zhao, and Xin Shu
- Abstract要約: 光コンピューティングシステムのその場トレーニングのためのモデルフリー最適化(MFO)手法を提案する。
MFOは、光学計算システムをブラックボックスとして扱い、光学計算重みの確率分布に直接損失をバックプロパガンダする。
提案手法のモデルフリーで高性能な性質と計算資源の需要の低さが組み合わさって,実験室から実世界の応用への光コンピューティングの移行を早める。
- 参考スコア(独自算出の注目度): 2.4416566082425972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical computing systems provide high-speed and low-energy data processing
but face deficiencies in computationally demanding training and
simulation-to-reality gaps. We propose a model-free optimization (MFO) method
based on a score gradient estimation algorithm for computationally efficient in
situ training of optical computing systems. This approach treats an optical
computing system as a black box and back-propagates the loss directly to the
optical computing weights' probability distributions, circumventing the need
for a computationally heavy and biased system simulation. Our experiments on a
single-layer diffractive optical computing system show that MFO outperforms
hybrid training on the MNIST and FMNIST datasets. Furthermore, we demonstrate
image-free and high-speed classification of cells from their phase maps. Our
method's model-free and high-performance nature, combined with its low demand
for computational resources, expedites the transition of optical computing from
laboratory demonstrations to real-world applications.
- Abstract(参考訳): 光コンピューティングシステムは、高速で低エネルギーのデータ処理を提供するが、計算要求の訓練やシミュレーションから現実へのギャップが不足している。
光学計算機システムのその場学習を効率的に行うためのスコア勾配推定アルゴリズムに基づくモデルフリー最適化(MFO)手法を提案する。
このアプローチは、光学計算システムをブラックボックスとして扱い、光学計算重みの確率分布に直接損失をバックプロパゲートし、計算的に重く偏りのあるシステムシミュレーションの必要性を回避する。
単層回折光計算システムを用いた実験により,mnist と fmnist データセットのハイブリッドトレーニングを mfo が上回ることを示した。
さらに, 位相マップから画像のない高速な細胞分類を示す。
提案手法のモデルフリーで高性能な性質と計算資源の需要の低さが組み合わさって,実験室から実世界の応用への光コンピューティングの移行を早める。
関連論文リスト
- 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) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳(メタデータ) (2023-11-05T11:48:08Z) - Training neural networks with end-to-end optical backpropagation [1.1602089225841632]
光プロセスを用いてニューラルネットワークをトレーニングするアルゴリズムであるバックプロパゲーションの実装方法を示す。
我々のアプローチは、様々なアナログプラットフォーム、材料、ネットワーク構造に適用可能である。
これは、トレーニングタスクと推論タスクの両方において、アナログ光学プロセスに完全に依存するニューラルネットワークを構築する可能性を示している。
論文 参考訳(メタデータ) (2023-08-09T21:11:26Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳(メタデータ) (2023-05-04T09:26:03Z) - DAD vision: opto-electronic co-designed computer vision with division
adjoint method [0.0]
受動光畳み込みを実現するために,超薄めの回折光学素子を提案する。
分割共役光電子共設計法も提案する。
論文 参考訳(メタデータ) (2022-11-04T07:31:44Z) - Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks [52.200624127512874]
我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。
提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
論文 参考訳(メタデータ) (2022-03-12T08:08:50Z) - 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) - Large-scale neuromorphic optoelectronic computing with a reconfigurable
diffractive processing unit [38.898230519968116]
回折処理ユニットを構築することにより、光電子再構成可能な計算パラダイムを提案する。
異なるニューラルネットワークを効率的にサポートし、数百万のニューロンで高いモデル複雑性を達成することができる。
市販の光電子部品を用いたプロトタイプシステムは,最先端のグラフィックス処理ユニットの性能を超越している。
論文 参考訳(メタデータ) (2020-08-26T16:34:58Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2019-12-31T00:29:22Z)
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。