論文の概要: PhotoGAN: Generative Adversarial Neural Network Acceleration with Silicon Photonics

• arxiv url: http://arxiv.org/abs/2501.13828v1
• Date: Thu, 23 Jan 2025 16:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:55:27.733616
• Title: PhotoGAN: Generative Adversarial Neural Network Acceleration with Silicon Photonics
• Title（参考訳）: PhotoGAN: シリコンフォトニクスを用いた生成的対向ニューラルネットワーク加速
• Authors: Tharini Suresh, Salma Afifi, Sudeep Pasricha,
• Abstract要約: PhotoGANは、GANモデルの特殊な操作を扱うために設計された最初のシリコンフォトニック加速器である。 PhotoGANは最先端の加速器に比べて少なくとも4.4倍高いGOPSと2.18倍低いEPBを実現している。
• 参考スコア（独自算出の注目度）: 2.9699290794642366
• License:
• Abstract: Generative Adversarial Networks (GANs) are at the forefront of AI innovation, driving advancements in areas such as image synthesis, medical imaging, and data augmentation. However, the unique computational operations within GANs, such as transposed convolutions and instance normalization, introduce significant inefficiencies when executed on traditional electronic accelerators, resulting in high energy consumption and suboptimal performance. To address these challenges, we introduce PhotoGAN, the first silicon-photonic accelerator designed to handle the specialized operations of GAN models. By leveraging the inherent high throughput and energy efficiency of silicon photonics, PhotoGAN offers an innovative, reconfigurable architecture capable of accelerating transposed convolutions and other GAN-specific layers. The accelerator also incorporates a sparse computation optimization technique to reduce redundant operations, improving computational efficiency. Our experimental results demonstrate that PhotoGAN achieves at least 4.4x higher GOPS and 2.18x lower energy-per-bit (EPB) compared to state-of-the-art accelerators, including GPUs and TPUs. These findings showcase PhotoGAN as a promising solution for the next generation of GAN acceleration, providing substantial gains in both performance and energy efficiency.
• Abstract（参考訳）: Generative Adversarial Networks(GAN)はAIイノベーションの最前線にあり、画像合成、医用画像、データ拡張などの分野の進歩を推進している。 しかし、変換畳み込みやインスタンスの正規化のようなGAN内のユニークな計算処理は、従来の電子加速器で実行された場合、大きな非効率性をもたらし、高いエネルギー消費と準最適性能をもたらす。 これらの課題に対処するために、GANモデルの特殊な操作を扱うために設計された最初のシリコンフォトニック加速器であるPhotoGANを紹介する。 シリコンフォトニクスの本質的に高いスループットとエネルギー効率を活用することで、PhotoGANは、変換された畳み込みやその他のGAN固有のレイヤを加速できる革新的で再構成可能なアーキテクチャを提供する。 また、余剰演算を削減し、計算効率を向上させるためにスパース計算最適化技術も組み込まれている。 実験により,PhotoGANは,GPUやTPUなどの最先端アクセラレータと比較して,少なくとも4.4倍高いGOPSと2.18倍低いEPBを実現していることが示された。 これらの結果から,PhotoGANは次世代のGAN加速に有望な解であり,性能とエネルギー効率の両面で有意な向上をもたらすことが示された。

関連論文リスト

• Rethinking the Atmospheric Scattering-driven Attention via Channel and Gamma Correction Priors for Low-Light Image Enhancement [0.0]
  本稿では,Channel-Prior and Gamma-Estimation Network (CPGA-Net)の拡張版を紹介する。 CPGA-Net+は大気散乱モデルによって駆動される注意機構を組み込んでいる。 ガンマ補正を施したプラグインアテンションによるグローバル画像処理とローカル画像処理の両方に効果的に対処する。
  論文  参考訳（メタデータ） (2024-09-09T01:50:01Z)
• TeMPO: Efficient Time-Multiplexed Dynamic Photonic Tensor Core for Edge AI with Compact Slow-Light Electro-Optic Modulator [44.74560543672329]
  我々は,TMPOと呼ばれる時間多重化動的フォトニックテンソルアクセラレータを,クロス層デバイス/回路/アーキテクチャのカスタマイズにより提案する。 我々は,368.6TOPSピーク性能,22.3TOPS/Wエネルギー効率,1.2TOPS/mm$2$計算密度を実現した。 この研究は、多層共設計とドメイン固有のカスタマイズの力を示し、将来の電子フォトニクス加速器への道を開く。
  論文  参考訳（メタデータ） (2024-02-12T03:40:32Z)
• E$^{2}$GAN: Efficient Training of Efficient GANs for Image-to-Image Translation [69.72194342962615]
  拡散モデルからGANを蒸留するプロセスは、より効率的にできるのか? まず、一般化された特徴を持つベースGANモデルを構築し、微調整により異なる概念に適応し、スクラッチからトレーニングの必要性を排除した。 第2に,ベースモデル全体の微調整を行うのではなく,低ランク適応(LoRA)を簡易かつ効果的なランク探索プロセスで行う。 第3に、微調整に必要な最小限のデータ量を調査し、トレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2024-01-11T18:59:14Z)
• Photonic Accelerators for Image Segmentation in Autonomous Driving and Defect Detection [34.864059478265055]
  フォトニックコンピューティングは、従来のデジタルハードウェアよりも高速でエネルギー効率のよいディープニューラルネットワーク(DNN)推論を約束する。 特定のセグメンテーションモデルは、フォトニック加速器上で実行される場合の精度(デジタルfloat32モデルと比較して)が無視できることを示す。 我々は,このようなコンピュータビジョンタスクへのフォトニック加速器の適用を改善するための課題と潜在的な最適化について論じる。
  論文  参考訳（メタデータ） (2023-09-28T18:22:41Z)
• A Simple and Effective Baseline for Attentional Generative Adversarial Networks [8.63558211869045]
  テキスト記述を通して生成モデルを導くことで高品質な画像のテキスト・ツー・イメージモデルを構築することは革新的で挑戦的な課題である。 近年、GANトレーニングをガイドするAttnGAN、SD-GAN、Stack-GAN++が提案されている。 我々は,AttnGANの冗長構造を除去し,バックボーンネットワークを改善するために,一般的なシンプルで効果的なアイデア(1)を用いる。 モデルの性能が変化しないことを保証しながら、モデルのサイズとトレーニング効率を大幅に改善しました。
  論文  参考訳（メタデータ） (2023-06-26T13:55:57Z)
• PhotoFourier: A Photonic Joint Transform Correlator-Based Neural Network Accelerator [2.1372541869293555]
  集積フォトニクスは低レイテンシの性質のため、ニューラルネットワークを劇的に加速する可能性がある。 PhotoFourierアクセラレータは、最先端のフォトニックニューラルネットワークアクセラレータに比べて28倍以上のエネルギー遅延を実現している。
  論文  参考訳（メタデータ） (2022-11-10T00:48:36Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Improved Transformer for High-Resolution GANs [69.42469272015481]
  この課題に対処するために、Transformerに2つの重要な要素を紹介します。 実験で提案したHiTは、条件のないImageNetの31.87と2.95のFIDスコアをそれぞれ128×128$とFFHQの256×256$で達成していることを示す。
  論文  参考訳（メタデータ） (2021-06-14T17:39:49Z)
• Improving the Speed and Quality of GAN by Adversarial Training [87.70013107142142]
  我々は,GAN訓練の高速化と品質向上を目的としたFastGANを開発した。 当社のトレーニングアルゴリズムは,2-4GPUを必要とすることによって,ImageNetのトレーニングを一般向けに提供しています。
  論文  参考訳（メタデータ） (2020-08-07T20:21:31Z)

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。