Fugu-MT 論文翻訳(概要): Comparing Latency and Power Consumption: Quantum vs. Classical Preprocessing

論文の概要: Comparing Latency and Power Consumption: Quantum vs. Classical Preprocessing

arxiv url: http://arxiv.org/abs/2311.04053v1
Date: Tue, 7 Nov 2023 15:05:31 GMT
ステータス: 処理完了
システム内更新日: 2023-11-08 15:12:31.110864
Title: Comparing Latency and Power Consumption: Quantum vs. Classical Preprocessing
Title（参考訳）: レイテンシと消費電力の比較:量子対古典前処理
Authors: Zuhra Amiri, Janis N\"otzel
Abstract要約: 我々は、光復号法が将来の目標を達成するためのさらなる利点があるかどうか検討する。将来のネットワークやリアルタイムアプリケーションにとって、これは現在の電子プロセッサよりも大きな利点をもたらす可能性がある。
参考スコア（独自算出の注目度）: 0.7252027234425334
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low latency and low power consumption are the main goals for our future networks. Fiber optics are already widely used for their faster speed. We want to investigate if optical decoding has further advantages to reaching future goals. We have investigated and compared the decoding latency and power consumption of an optical chip and its electronic counterpart built with MOSFETs. We have found that optical processing has a speed and power consumption benefit. For future networks and real-time applications, this can bring huge advantages over our current electronic processors.
Abstract（参考訳）: 低レイテンシと低消費電力は、将来のネットワークの主要な目標です。ファイバ光学はすでに高速化のために広く使われている。我々は、光復号化が将来の目標を達成するためのさらなる利点があるかどうかを調査したい。我々はMOSFETで構築した光チップとその電子チップの復号遅延と消費電力について検討・比較を行った。我々は、光学処理は、速度と消費電力の利点があることを発見した。将来のネットワークやリアルタイムアプリケーションにとって、これは現在の電子プロセッサよりも大きな利点をもたらす可能性がある。

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)
The role of all-optical neural networks [2.3204178451683264]
大規模なニューラルネットワークモデルでは、すべての光学デバイスが推論において有利になる。我々は、フットプリント、非線形性の強さ、光信号劣化、計算精度の制限、量子ノイズを含む全光学ニューラルネットワークの限界を考慮する。
論文参考訳（メタデータ） (2023-06-11T09:26:08Z)
Photonic Advantage of Optical Encoders [0.0]
光による大規模な線形演算の能力は、光学支援された人工ニューラルネットワークの多くのデモンストレーションにインスピレーションを与えた。我々は、非コヒーレント光で動作するハイブリッド光デジタルANNを共同最適化した。以上の結果から,ANNの全体的な性能を緩和し,低消費電力化と遅延化を優先できるアプリケーションにおいて,光学はデジタルANNよりも有利であることが示唆された。
論文参考訳（メタデータ） (2023-05-02T19:24:18Z)
Performance of Quantum Preprocessing under Phase Noise [1.0828616610785522]
全光継手検出受信機は、光伝送システムにおける高バウレートの実現に寄与する。我々は,Kerr効果によって誘導される高レベルのノイズの下でも,前処理器として使用する場合のバウレート向上にどのように寄与するかを示す。
論文参考訳（メタデータ） (2022-10-25T13:22:47Z)
MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
論文参考訳（メタデータ） (2022-05-25T11:08:20Z)
Single-Shot Optical Neural Network [55.41644538483948]
深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
論文参考訳（メタデータ） (2022-05-18T17:49:49Z)
Switching-free time-domain optical quantum computation with quantum teleportation [0.0]
光スイッチとリルーティングネットワークは、光量子コンピュータを実現するための主要な障害である。このような光スイッチを必要としない光量子計算プラットフォームを提案する。
論文参考訳（メタデータ） (2022-02-02T01:26:41Z)
Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
量子回路をキューネットワークとしてモデル化することを提案する。提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
論文参考訳（メタデータ） (2021-06-26T10:55:52Z)
Interleaving: Modular architectures for fault-tolerant photonic quantum computing [50.591267188664666]
フォトニック核融合型量子コンピューティング(FBQC)は低損失フォトニック遅延を用いる。 FBQCのモジュールアーキテクチャとして,これらのコンポーネントを結合して「インターリービングモジュール」を形成するアーキテクチャを提案する。遅延の乗法的パワーを行使すると、各加群はヒルベルト空間に数千の物理量子ビットを加えることができる。
論文参考訳（メタデータ） (2021-03-15T18:00:06Z)
FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文参考訳（メタデータ） (2021-03-08T03:09:37Z)
An Ultra Fast Low Power Convolutional Neural Network Image Sensor with Pixel-level Computing [3.41234610095684]
本稿では,カラム読み出し回路前の畳み込み動作を可能にし,画像読み出し速度を大幅に向上できるpip( processing-in-pixel) cmosセンサアーキテクチャを提案する。言い換えれば、計算効率は4.75 TOPS/wであり、最先端の約3.6倍である。
論文参考訳（メタデータ） (2021-01-09T07:10:03Z)

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。