論文の概要: The Spatial Complexity of Optical Computing and How to Reduce It
- arxiv url: http://arxiv.org/abs/2411.10435v1
- Date: Fri, 15 Nov 2024 18:56:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-18 15:36:55.502415
- Title: The Spatial Complexity of Optical Computing and How to Reduce It
- Title（参考訳）: 光コンピューティングの空間的複雑さとその低減法
- Authors: Yandong Li, Francesco Monticone,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.168520751389622
- License:
- Abstract: Similar to algorithms, which consume time and memory to run, hardware requires resources to function. For devices processing physical waves, implementing operations needs sufficient "space," as dictated by wave physics. How much space is needed to perform a certain function is a fundamental question in optics, with recent research addressing it for given mathematical operations, but not for more general computing tasks, e.g., classification. Inspired by computational complexity theory, we study the "spatial complexity" of optical computing systems in terms of scaling laws - specifically, how their physical dimensions must scale as the dimension of the mathematical operation increases - and propose a new paradigm for designing optical computing systems: space-efficient neuromorphic optics, based on structural sparsity constraints and neural pruning methods motivated by wave physics (notably, the concept of "overlapping nonlocality"). On two mainstream platforms, free-space optics and on-chip integrated photonics, our methods demonstrate substantial size reductions (to 1%-10% the size of conventional designs) with minimal compromise on performance. Our theoretical and computational results reveal a trend of diminishing returns on accuracy as structure dimensions increase, providing a new perspective for interpreting and approaching the ultimate limits of optical computing - a balanced trade-off between device size and accuracy.
- Abstract（参考訳）: 実行に時間とメモリを消費するアルゴリズムと同様に、ハードウェアは機能するリソースを必要とする。
物理波を処理するデバイスには、波動物理学によって規定される十分な「空間」を必要とする。
特定の関数を実行するのにどれくらいのスペースが必要かは光学学の基本的な問題であり、最近の研究では与えられた数学的操作に対処しているが、例えば分類のようなより一般的な計算タスクには対応していない。
計算複雑性理論に着想を得て,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(特に,数理演算の次元が増加するにつれてその物理次元がスケールしなければならない)で研究し,構造空間性制約と波動物理学(特に「重複非局所性」の概念)に動機づけられたニューロモルフィック光学を設計するための新しいパラダイムを提案する。
自由空間光学とオンチップ集積フォトニクスの2つの主流プラットフォームにおいて,本手法は性能に最小限の妥協を伴い,大幅なサイズ縮小(従来の設計の1%～10%)を示す。
我々の理論と計算結果は、構造次元が増加するにつれて精度が低下する傾向を示し、光学コンピューティングの究極の限界を解釈し、アプローチするための新たな視点、すなわちデバイスサイズと精度のバランスの取れたトレードオフを提供する。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - 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) - QuATON: Quantization Aware Training of Optical Neurons [0.15320652338704774]
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。
論文 参考訳（メタデータ） (2023-10-04T02:18:28Z) - Training neural networks with end-to-end optical backpropagation [1.1602089225841632]
光プロセスを用いてニューラルネットワークをトレーニングするアルゴリズムであるバックプロパゲーションの実装方法を示す。
我々のアプローチは、様々なアナログプラットフォーム、材料、ネットワーク構造に適用可能である。
これは、トレーニングタスクと推論タスクの両方において、アナログ光学プロセスに完全に依存するニューラルネットワークを構築する可能性を示している。
論文 参考訳（メタデータ） (2023-08-09T21:11:26Z) - The physics of optical computing [2.2130014357551056]
我々は、なぜ光学系がコンピュータに電子回路よりも高速またはエネルギー効率の恩恵を与えることができるのかを体系的に説明する。
我々は、最先端の電子プロセッサに対する優位性が、慎重に設計することでのみ達成できる可能性について論じる。
論文 参考訳（メタデータ） (2023-07-31T19:00:04Z) - 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) - 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) - 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) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳（メタデータ） (2020-09-15T18:17:27Z)
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。