論文の概要: Hyperspectral In-Memory Computing with Optical Frequency Combs and
Programmable Optical Memories
- arxiv url: http://arxiv.org/abs/2310.11014v1
- Date: Tue, 17 Oct 2023 06:03:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 17:21:02.026546
- Title: Hyperspectral In-Memory Computing with Optical Frequency Combs and
Programmable Optical Memories
- Title(参考訳): 光周波数コムとプログラム可能な光メモリを用いたハイパースペクトルインメモリコンピューティング
- Authors: Mostafa Honari Latifpour, Byoung Jun Park, Yoshihisa Yamamoto,
Myoung-Gyun Suh
- Abstract要約: 機械学習は、広範な行列ベクトル乗算演算の需要を増幅した。
本稿では、空間多重化と光周波数コムの周波数多重化を統合したハイパースペクトルインメモリコンピューティングアーキテクチャを提案する。
行列ベクトル乗算と行列行列行列乗算の両方において、4ビット以上の精度で多重累積演算を実験的に実証した。
- 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: The rapid advancements in machine learning across numerous industries have
amplified the demand for extensive matrix-vector multiplication operations,
thereby challenging the capacities of traditional von Neumann computing
architectures. To address this, researchers are currently exploring
alternatives such as in-memory computing systems to develop faster and more
energy-efficient hardware. In particular, there is renewed interest in
computing systems based on optics, which could potentially handle matrix-vector
multiplication in a more energy-efficient way. Despite promising initial
results, developing a highly parallel, programmable, and scalable optical
computing system capable of rivaling electronic computing hardware still
remains elusive. In this context, we propose a hyperspectral in-memory
computing architecture that integrates space multiplexing with frequency
multiplexing of optical frequency combs and uses spatial light modulators as a
programmable optical memory, thereby boosting the computational throughput and
the energy efficiency. We have experimentally demonstrated multiply-accumulate
operations with higher than 4-bit precision in both matrix-vector and
matrix-matrix multiplications, which suggests the system's potential for a wide
variety of deep learning and optimization tasks. This system exhibits
extraordinary modularity, scalability, and programmability, effectively
transcending the traditional limitations of optics-based computing
architectures. Our approach demonstrates the potential to scale beyond peta
operations per second, marking a significant step towards achieving
high-throughput energy-efficient optical computing.
- Abstract(参考訳): 多くの産業における機械学習の急速な進歩は、行列ベクトル乗算演算の需要を増大させ、従来のフォン・ノイマン計算アーキテクチャの能力に挑戦している。
これに対処するため、研究者は現在、より高速でエネルギー効率の良いハードウェアを開発するためのインメモリコンピューティングシステムのような代替手段を検討している。
特に、よりエネルギー効率の良い方法で行列ベクトル乗算を扱うことができる光学系に基づく計算システムへの関心が再燃している。
有望な最初の成果にもかかわらず、電子コンピューティングハードウェアに匹敵する高度に並列でプログラマブルでスケーラブルな光学計算システムの開発はいまだに不可能である。
本稿では,空間多重化と光周波数コムの周波数多重化を統合し,空間光変調器をプログラマブルな光メモリとして利用することにより,計算スループットとエネルギー効率を向上するハイパースペクトルインメモリアーキテクチャを提案する。
本研究では,行列ベクトルおよび行列行列行列乗算において,4ビット以上の精度を持つ乗算累積演算を実験的に実証した。
このシステムはモジュール性、スケーラビリティ、プログラム性を示し、光学ベースの計算アーキテクチャの伝統的な制限を効果的に超越している。
提案手法は,1秒あたりのペタ演算を超えてスケールする可能性を実証し,高スループットエネルギー効率光コンピューティングの実現に向けた重要なステップを示す。
関連論文リスト
- 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) - Deep Photonic Reservoir Computer for Speech Recognition [49.1574468325115]
音声認識は人工知能の分野で重要な課題であり、目覚ましい進歩を目撃してきた。
深い貯水池コンピューティングはエネルギー効率が高いが、よりリソース集約的な機械学習アルゴリズムと比較して、パフォーマンスに制限がある。
フォトニック方式の深層貯水池コンピュータを提案し,その性能を音声認識タスクで評価する。
論文 参考訳(メタデータ) (2023-12-11T17:43:58Z) - In-memory factorization of holographic perceptual representations [14.621617156897301]
感覚信号の構成因子の分散は、知覚と認知の中心である。
ホログラムの知覚表現を効率よく分解できる計算エンジンを提案する。
論文 参考訳(メタデータ) (2022-11-09T17:36:06Z) - 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) - 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) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳(メタデータ) (2020-12-07T18:51:28Z) - 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) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳(メタデータ) (2020-05-05T08:00:07Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳(メタデータ) (2020-05-04T13:24:00Z)
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。