論文の概要: Laser interferometry as a robust neuromorphic platform for machine learning

• arxiv url: http://arxiv.org/abs/2601.18047v1
• Date: Mon, 26 Jan 2026 00:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.595545
• Title: Laser interferometry as a robust neuromorphic platform for machine learning
• Title（参考訳）: 機械学習のための頑健なニューロモルフィックプラットフォームとしてのレーザー干渉法
• Authors: Amanuel Anteneh, Kyungeun Kim, J. M. Schwarz, Israel Klich, Olivier Pfister,
• Abstract要約: 本稿では,線形光学資源のみを用いた光ニューラルネットワークの実装手法を提案する。 ニューラルネットワークにおける学習に必要な非線形性は、入力を位相シフトに符号化することで実現される。
• 参考スコア（独自算出の注目度）: 1.3831855739681835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a method for implementing an optical neural network using only linear optical resources, namely field displacement and interferometry applied to coherent states of light. The nonlinearity required for learning in a neural network is realized via an encoding of the input into phase shifts allowing for far more straightforward experimental implementation compared to previous proposals for, and demonstrations of, $\textit{in situ}$ inference. Beyond $\textit{in situ}$ inference, the method enables $\textit{in situ}$ training by utilizing established techniques like parameter shift rules or physical backpropagation to extract gradients directly from measurements of the linear optical circuit. We also investigate the effect of photon losses and find the model to be very resilient to these.
• Abstract（参考訳）: 本稿では,光のコヒーレントな状態に適用した線形光学資源,すなわち場変位と干渉計のみを用いた光ニューラルネットワークの実装法を提案する。 ニューラルネットワークで学習するために必要な非線形性は、入力を位相シフトに符号化することで実現され、以前の提案や$\textit{in situ}$推論のデモよりもはるかに簡単な実験的実装が可能になる。 $\textit{in situ}$推論以外にも、パラメータシフトルールや物理バックプロパゲーションといった確立した手法を利用して、線形光学回路の測定から直接勾配を抽出することで、$\textit{in situ}$トレーニングが可能になる。 また,光子損失の影響について検討し,これらに対して非常に弾力性のあるモデルを見出した。

関連論文リスト

• Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration [67.12978375116599]
  勾配降下(GD)のステップが一般化されたパーセプトロンアルゴリズムのステップに還元されることを示す。 これは、ニューラルネットワークで観測される最適化力学と暗黙の加速現象を説明するのに役立つ。
  論文  参考訳（メタデータ） (2025-12-12T14:16:35Z)
• Noise-tolerant tomography of multimode linear optical interferometers with single photons [0.0]
  本稿では,線形光干渉計の伝達行列を再構成する手法を提案する。 我々のアプローチは、損失と光子の不明瞭さを考慮に入れており、実験的な不完全性に対して堅牢である。 その結果, 行列再構成における忠実度が高く, ボソンサンプリング実験における有効性を示した。
  論文  参考訳（メタデータ） (2025-06-25T14:36:38Z)
• Gradients of unitary optical neural networks using parameter-shift rule [14.364214412875494]
  本稿では、ユニタリ光ニューラルネットワーク(UONN)におけるパラメータシフト則(PSR)の勾配計算への応用について検討する。 シフトパラメータ値で関数を評価することによって勾配を計算するPSRは,マッハ・ツェンダー干渉計メッシュから構築したUONNのトレーニングに効果的に適用できることを示す。 本稿では,光ニューラルネットワークにおける位相パラメータの最適化にPSRを適用するための理論的枠組みと実践的手法について述べる。
  論文  参考訳（メタデータ） (2025-06-13T08:21:06Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Nonlinear Computation with Linear Optics via Source-Position Encoding [0.0]
  完全線形媒体における非線形計算を実現するための新しい手法を提案する。 本手法は低消費電力で動作可能であり,光システムをデータ依存空間位置で駆動する機能のみを必要とする。 我々は、高度に専門化された光学ニューラルネットワークのための、完全に自動化されたトポロジ最適化ベースのハードウェア設計フレームワークを定式化する。
  論文  参考訳（メタデータ） (2025-04-29T03:55:05Z)
• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Physics-aware Differentiable Discrete Codesign for Diffractive Optical Neural Networks [12.952987240366781]
  本研究は,Diffractive Optical Neural Network (DONN) の効率的なトレーニングを可能にする,新しいデバイス間ハードウェア・ソフトウェア符号フレームワークを提案する。 Gumbel-Softmaxは、現実世界のデバイスパラメータからDONNの前方関数への微分可能な離散マッピングを可能にするために使用される。 その結果,提案手法は従来の量子化法に比べて大きな利点があることがわかった。
  論文  参考訳（メタデータ） (2022-09-28T17:13:28Z)
• 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)

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。