論文の概要: QuATON: Quantization Aware Training of Optical Neurons
- arxiv url: http://arxiv.org/abs/2310.03049v2
- Date: Thu, 21 Mar 2024 16:21:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-22 19:56:45.822582
- 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, Quansan Yang, Alex Matlock, Takahiro Nambara, Hiroyuki Kusaka, Yuichiro Kunai, Peter T C So, Edward S Boyden, Dushan Wadduwage,
- Abstract要約: 光プロセッサは「光ニューロン」で構築されており、光速で高次元線形演算を効率的に行うことができる。
このような光学プロセッサは3D加工が可能になったが、精度は限られている。
この制限は、光ニューロンにおける学習可能なパラメータの量子化に変換され、光プロセッサの設計中に処理されるべきである。
- 参考スコア(独自算出の注目度): 0.15320652338704774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical processors, built with "optical neurons", can efficiently perform high-dimensional linear operations at the speed of light. Thus they are a promising avenue to accelerate large-scale linear computations. With the current advances in micro-fabrication, such optical processors can now be 3D fabricated, but with a limited precision. This limitation translates to quantization of learnable parameters in optical neurons, and should be handled during the design of the optical processor in order to avoid a model mismatch. Specifically, optical neurons should be trained or designed within the physical-constraints at a predefined quantized precision level. To address this critical issues we propose a physics-informed quantization-aware training framework. Our approach accounts for physical constraints during the training process, leading to robust designs. We demonstrate that our approach can design state of the art optical processors using diffractive networks for multiple physics based tasks despite quantized learnable parameters. We thus lay the foundation upon which improved optical processors may be 3D fabricated in the future.
- Abstract(参考訳): 光プロセッサは「光ニューロン」で構築されており、光速で高次元線形演算を効率的に行うことができる。
したがって、それらは大規模線形計算を加速するための有望な道である。
現在のマイクロファブリケーションの進歩により、そのような光学プロセッサは3D製造が可能になったが、精度は限られている。
この制限は、光学ニューロンにおける学習可能なパラメータの量子化に変換され、モデルミスマッチを避けるために、光学プロセッサの設計中に処理されるべきである。
具体的には、光ニューロンは予め定義された量子化精度レベルで物理的制約の中で訓練または設計されるべきである。
この重要な問題に対処するために、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。
私たちのアプローチは、トレーニングプロセス中に物理的な制約を考慮し、堅牢な設計につながります。
我々は,量子化学習可能なパラメータに拘わらず,複数の物理に基づくタスクに対して,回折ネットワークを用いて最先端の光学プロセッサを設計できることを実証した。
そこで我々は、改良された光学プロセッサを将来3Dで製造する基盤を築いた。
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。