論文の概要: Programmable metasurfaces for future photonic artificial intelligence

• arxiv url: http://arxiv.org/abs/2505.11659v1
• Date: Fri, 16 May 2025 19:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.767149
• Title: Programmable metasurfaces for future photonic artificial intelligence
• Title（参考訳）: 未来のフォトニック人工知能のためのプログラム可能な準曲面
• Authors: Loubnan Abou-Hamdan, Emil Marinov, Peter Wiecha, Philipp del Hougne, Tianyu Wang, Patrice Genevet,
• Abstract要約: フォトニックニューラルネットワーク(PNN)は、エネルギー効率、レイテンシ、スループットの観点から、従来のデジタルニューラルネットワークに挑戦する可能性がある。 本稿では,フィールドプログラマブルなメタ曲面技術が,スケーラブルなフォトニックAIアクセラレータを実現する上で重要なハードウェア要素となる可能性について論じる。
• 参考スコア（独自算出の注目度）: 5.066823502780349
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Photonic neural networks (PNNs), which share the inherent benefits of photonic systems, such as high parallelism and low power consumption, could challenge traditional digital neural networks in terms of energy efficiency, latency, and throughput. However, producing scalable photonic artificial intelligence (AI) solutions remains challenging. To make photonic AI models viable, the scalability problem needs to be solved. Large optical AI models implemented on PNNs are only commercially feasible if the advantages of optical computation outweigh the cost of their input-output overhead. In this Perspective, we discuss how field-programmable metasurface technology may become a key hardware ingredient in achieving scalable photonic AI accelerators and how it can compete with current digital electronic technologies. Programmability or reconfigurability is a pivotal component for PNN hardware, enabling in situ training and accommodating non-stationary use cases that require fine-tuning or transfer learning. Co-integration with electronics, 3D stacking, and large-scale manufacturing of metasurfaces would significantly improve PNN scalability and functionalities. Programmable metasurfaces could address some of the current challenges that PNNs face and enable next-generation photonic AI technology.
• Abstract（参考訳）: フォトニックニューラルネットワーク(PNN)は、高並列性や低消費電力といったフォトニックシステムの固有の利点を共有し、エネルギー効率、レイテンシ、スループットの観点から従来のデジタルニューラルネットワークに挑戦する可能性がある。 しかし、スケーラブルなフォトニック人工知能(AI)ソリューションの作成は依然として困難である。 フォトニックAIモデルを実用化するためには、スケーラビリティの問題を解決する必要がある。 PNNに実装された大規模な光学AIモデルは、光学計算の利点が入出力オーバーヘッドのコストを上回る場合のみ商業的に実現可能である。 本稿では、スケーラブルなフォトニックAIアクセラレータを実現する上で、フィールドプログラマブルなメタ曲面技術が重要なハードウェア要素となる可能性と、現在のデジタル電子技術とどのように競合するかについて論じる。 プログラム可能性(Programmability)または再構成性(reconfigurability)は、PNNハードウェアの重要なコンポーネントであり、微調整や転送学習を必要とする非定常的なユースケースをその場でトレーニングし、収容することができる。 電子工学、3D積み重ね、そして大規模な準曲面の製造と組み合わせることで、PNNのスケーラビリティと機能を大幅に改善する。 プログラム可能なメタ曲面は、PNNが直面している現在の課題のいくつかに対処し、次世代のフォトニックAI技術を可能にする可能性がある。

関連論文リスト

• Optical Computing for Deep Neural Network Acceleration: Foundations, Recent Developments, and Emerging Directions [3.943289808718775]
  我々は、ディープニューラルネットワーク(DNN)を中心に、光学コンピューティングにおける基礎と最先端の開発について論じる。 様々な有望なアプローチが、工学的な光学デバイス、光学回路の強化、様々なDNNワークロードに光コンピューティングを適応できるアーキテクチャの設計のために説明されている。 DNNモデルをインテリジェントにチューニングし、マッピングして、高性能でリソース制約のある組み込み、エッジ、IoTプラットフォームにわたる光コンピューティングプラットフォームのパフォーマンスとエネルギー効率を向上させる、ハードウェア/ソフトウェア共同設計のための新しい技術についても論じる。
  論文  参考訳（メタデータ） (2024-07-30T20:50:30Z)
• NeuSpin: Design of a Reliable Edge Neuromorphic System Based on Spintronics for Green AI [0.22499166814992438]
  IoT(Internet of Things)と、パーソナライズされたヘルスケアのためのスマートウェアラブルデバイスは、継続的に増加するデータの保存と計算を必要とします。 これらのデバイスの主要な要件は、超低消費電力、高処理能力、低コストでの自律性、エッジでGreen AIを有効にするための信頼性と正確性である。 NeuSPINプロジェクトは、フルスタックハードウェアとソフトウェアの共同設計を通じてこれらの課題に対処することを目的としており、スプリントベースのCIMプラットフォーム上でのBayNNのパフォーマンス、エネルギー効率、堅牢性を向上させるために、新しいアルゴリズムおよび回路設計アプローチを開発する。
  論文  参考訳（メタデータ） (2024-01-11T13:27:19Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• A Survey on Brain-Inspired Deep Learning via Predictive Coding [85.93245078403875]
  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)
• 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)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Silicon photonic subspace neural chip for hardware-efficient deep learning [11.374005508708995]
  光ニューラルネットワーク(ONN)は次世代のニューロコンピューティングの候補として期待されている。 ハードウェア効率の良いフォトニックサブスペースニューラルネットワークアーキテクチャを考案する。 我々は,バタフライ型プログラマブルシリコンフォトニック集積回路上でPSNNを実験的に実証した。
  論文  参考訳（メタデータ） (2021-11-11T06:34:05Z)
• Reservoir Computing with Magnetic Thin Films [35.32223849309764]
  新しい非伝統的なコンピューティングハードウェアは、自然現象を利用して効率を上げる可能性を秘めている。 物理貯水池計算は、様々な非伝統的なシステムでこれを実証している。 マイクロスケールシミュレーションにより薄膜の3つの磁性体を初期探査する。
  論文  参考訳（メタデータ） (2021-01-29T17:37:17Z)
• 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。