論文の概要: QuATON: Quantization Aware Training of Optical Neurons
- arxiv url: http://arxiv.org/abs/2310.03049v1
- Date: Wed, 4 Oct 2023 02:18:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 21:03:40.301022
- Title: QuATON: Quantization Aware Training of Optical Neurons
- Title(参考訳): QuATON:光ニューロンの量子化学習
- Authors: Hasindu Kariyawasam, Ramith Hettiarachchi, Dushan Wadduwage
- Abstract要約: オプティカルニューラルアーキテクチャ(ONAs)は、インテリジェントな測定を行うために、最適化された物理パラメータを持つコーディング要素を使用する。
OnAsのための物理インフォームド量子化学習フレームワークを提案する。
私たちのアプローチは、トレーニングプロセス中の物理的な制約を考慮し、堅牢な設計につながります。
- 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: Optical neural architectures (ONAs) use coding elements with optimized
physical parameters to perform intelligent measurements. However, fabricating
ONAs while maintaining design performances is challenging. Limitations in
fabrication techniques often limit the realizable precision of the trained
parameters. Physical constraints may also limit the range of values the
physical parameters can hold. Thus, ONAs should be trained within the
implementable constraints. However, such physics-based constraints reduce the
training objective to a constrained optimization problem, making it harder to
optimize with existing gradient-based methods. To alleviate these critical
issues that degrade performance from simulation to realization we propose a
physics-informed quantization-aware training framework. Our approach accounts
for the physical constraints during the training process, leading to robust
designs. We evaluate our approach on an ONA proposed in the literature, named a
diffractive deep neural network (D2NN), for all-optical phase imaging and for
classification of phase objects. With extensive experiments on different
quantization levels and datasets, we show that our approach leads to ONA
designs that are robust to quantization noise.
- Abstract(参考訳): 光神経アーキテクチャ(ONAs)は、インテリジェントな測定を行うために、最適化された物理パラメータを持つコーディング要素を使用する。
しかし、設計性能を維持しながらONAを製造することは困難である。
製造技術の限界は、しばしば訓練されたパラメータの実現可能な精度を制限する。
物理的制約は、物理パラメータが保持できる値の範囲を制限することもできる。
したがって、ONAsは実装可能な制約の中でトレーニングされるべきである。
しかし、そのような物理に基づく制約は、トレーニング目標を制約付き最適化問題に還元し、既存の勾配法で最適化することを難しくする。
シミュレーションから実現までの性能を低下させるこれらの重要な問題を緩和するために,物理インフォームド量子化対応トレーニングフレームワークを提案する。
我々のアプローチはトレーニングプロセス中の物理的制約を考慮し、堅牢な設計へと導かれる。
本論文では,全光位相イメージングおよび位相オブジェクトの分類のための拡散型ディープニューラルネットワーク(d2nn)という ona に対するアプローチを評価した。
異なる量子化レベルとデータセットに関する広範な実験により、我々の手法が量子化ノイズに頑健なONA設計につながることを示す。
関連論文リスト
- The Spatial Complexity of Optical Computing and How to Reduce It [12.168520751389622]
特定の関数を実行するのにどれくらいの空間が必要かは光学の基本的な問題である。
我々は,光コンピューティングシステムの「空間複雑性」をスケーリング法則の観点から検討する。
空間効率のよいニューロモルフィック光学系を設計するための新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2024-11-15T18:56:00Z) - 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) - Photon Number-Resolving Quantum Reservoir Computing [1.1274582481735098]
本稿では,光子数分解による出力状態の検出で実現可能な光量子貯水池計算のための固定光ネットワークを提案する。
これは、高次元ヒルベルト空間にアクセスしながら入力量子状態に必要な複雑さを著しく減少させる。
論文 参考訳(メタデータ) (2024-02-09T11:28:37Z) - 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) - Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
本稿では,革新的な深層学習に基づく量子センシング手法を提案する。
これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。
我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
論文 参考訳(メタデータ) (2023-11-13T09:46:05Z) - Retrieving space-dependent polarization transformations via near-optimal
quantum process tomography [55.41644538483948]
トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。
ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。
これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
論文 参考訳(メタデータ) (2022-10-27T11:37:14Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Optimization of Quantum-dot Qubit Fabrication via Machine Learning [0.0]
我々は、インライン走査型電子顕微鏡を解釈するために畳み込みニューラルネットワークを訓練する。
この戦略は、5次元の設計空間内でモデルリソグラフィープロセスの最適化によって実証される。
論文 参考訳(メタデータ) (2020-12-15T22:30:49Z) - 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。