論文の概要: An optically accelerated extreme learning machine using hot atomic vapors

• arxiv url: http://arxiv.org/abs/2409.04312v1
• Date: Fri, 6 Sep 2024 14:36:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 15:34:51.351153
• Title: An optically accelerated extreme learning machine using hot atomic vapors
• Title（参考訳）: 熱水蒸気を用いた超高速極端学習機
• Authors: Pierre Azam, Robin Kaiser,
• Abstract要約: 熱水蒸気を伝播する光の強い非線形特性とチューナブルな非線形特性とエクストリーム学習マシンモデルを組み合わせた新しい設計を提案する。 我々は、MNIST画像分類タスクにおいて、そのような自由空間非線形伝搬を用いたトレーニングの強化を数値的および実験的に示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning is becoming a widely used technique with a impressive growth due to the diversity of problem of societal interest where it can offer practical solutions. This increase of applications and required resources start to become limited by present day hardware technologies. Indeed, novel machine learning subjects such as large language models or high resolution image recognition raise the question of large computing time and energy cost of the required computation. In this context, optical platforms have been designed for several years with the goal of developing more efficient hardware for machine learning. Among different explored platforms, optical free-space propagation offers various advantages: parallelism, low energy cost and computational speed. Here, we present a new design combining the strong and tunable nonlinear properties of a light beam propagating through a hot atomic vapor with an Extreme Learning Machine model. We numerically and experimentally demonstrate the enhancement of the training using such free-space nonlinear propagation on a MNIST image classification task. We point out different experimental hyperparameters that can be further optimized to improve the accuracy of the platform.
• Abstract（参考訳）: 機械学習は、実用的なソリューションを提供する社会的関心の問題の多様性によって、目覚ましい成長を遂げた、広く使われている技術になりつつある。 このアプリケーションと必要なリソースの増加は、現在のハードウェア技術によって制限され始めています。 実際、大規模言語モデルや高解像度画像認識のような新しい機械学習の課題は、必要となる計算の計算時間とエネルギーコストの問題を提起している。 この文脈では、光学プラットフォームは機械学習のためのより効率的なハードウェアを開発することを目的として、数年間設計されてきた。 様々な探索プラットフォームの中で、光自由空間伝搬は並列性、低エネルギーコスト、計算速度といった様々な利点を提供している。 本稿では, 熱水蒸気を伝播する光の強い非線形特性とチューニング可能な非線形特性を, エクストリーム学習マシンモデルと組み合わせた新しい設計を提案する。 我々は、MNIST画像分類タスクにおいて、そのような自由空間非線形伝搬を用いたトレーニングの強化を数値的および実験的に示す。 我々は、プラットフォームの精度を向上させるためにさらに最適化できる様々な実験用ハイパーパラメータを指摘した。

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)
• 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)
• 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)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Deep Learning with Passive Optical Nonlinear Mapping [9.177212626554505]
  残響共振器内の多重散乱を利用して光非線形ランダムマッピングを受動的に誘導する設計を提案する。 キャビティ内の多重散乱により容易な光データ圧縮を行い, 重要情報を効率よく圧縮し, 保持できることを示す。 我々の発見は、光コンピューティングのための新しいアルゴリズムとアーキテクチャ設計の道を開いた。
  論文  参考訳（メタデータ） (2023-07-17T15:15:47Z)
• Photonic reservoir computing enabled by stimulated Brillouin scattering [0.0]
  刺激されたブリルアン散乱の非線形波動力学を利用したフォトニック貯水池計算アーキテクチャに基づく新しい計算プラットフォームについて報告する。 リアルタイム人工知能を実現するために、高性能な光多重化技術と組み合わせて使用するのに適している。
  論文  参考訳（メタデータ） (2023-02-15T14:57:30Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• 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)
• 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)

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。