論文の概要: Online unsupervised Hebbian learning in deep photonic neuromorphic networks

• arxiv url: http://arxiv.org/abs/2601.22300v1
• Date: Thu, 29 Jan 2026 20:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.162968
• Title: Online unsupervised Hebbian learning in deep photonic neuromorphic networks
• Title（参考訳）: 深部フォトニックニューロモルフィックネットワークにおけるオンライン教師なしヘビアン学習
• Authors: Xi Li, Disha Biswas, Peng Zhou, Wesley H. Brigner, Anna Capuano, Joseph S. Friedman, Qing Gu,
• Abstract要約: フォトニックニューロモルフィックネットワーク(PNN)は光の固有の利点、すなわち高い並列性、低レイテンシ、例外的なエネルギー効率を利用する。 本稿では,オンライン・教師なし学習を可能にする,純粋にフォトニックな深層PNNアーキテクチャを提案する。 市販の光ファイバープラットフォームを用いた非自明な文字認識タスクにおいて,本手法を実験的に実証し,100%の認識率を実現する。
• 参考スコア（独自算出の注目度）: 10.099714133516608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While software implementations of neural networks have driven significant advances in computation, the von Neumann architecture imposes fundamental limitations on speed and energy efficiency. Neuromorphic networks, with structures inspired by the brain's architecture, offer a compelling solution with the potential to approach the extreme energy efficiency of neurobiological systems. Photonic neuromorphic networks (PNNs) are particularly attractive because they leverage the inherent advantages of light, namely high parallelism, low latency, and exceptional energy efficiency. Previous PNN demonstrations have largely focused on device-level functionalities or system-level implementations reliant on supervised learning and inefficient optical-electrical-optical (OEO) conversions. Here, we introduce a purely photonic deep PNN architecture that enables online, unsupervised learning. We propose a local feedback mechanism operating entirely in the optical domain that implements a Hebbian learning rule using non-volatile phase-change material synapses. We experimentally demonstrate this approach on a non-trivial letter recognition task using a commercially available fiber-optic platform and achieve a 100 percent recognition rate, showcasing an all-optical solution for efficient, real-time information processing. This work unlocks the potential of photonic computing for complex artificial intelligence applications by enabling direct, high-throughput processing of optical information without intermediate OEO signal conversions.
• Abstract（参考訳）: ニューラルネットワークのソフトウェア実装は計算の大幅な進歩を導いてきたが、フォン・ノイマンのアーキテクチャは速度とエネルギー効率に根本的な制限を課している。 ニューロモルフィックネットワークは、脳の構造にインスパイアされた構造を持ち、神経生物学系の極端なエネルギー効率にアプローチする可能性を持つ説得力のある解決策を提供する。 フォトニックニューロモルフィックネットワーク(PNN)は、光の固有の利点、すなわち高い並列性、低レイテンシ、例外的なエネルギー効率を活用するため、特に魅力的である。 これまでのPNNのデモは主に、教師付き学習と非効率な光電気光学変換に依存するデバイスレベルの機能やシステムレベルの実装に焦点が当てられていた。 本稿では,オンライン・教師なし学習を可能にする,純粋にフォトニックな深層PNNアーキテクチャを提案する。 非揮発性相変化材料シナプスを用いたヘビアン学習規則を実装した光領域で完全に動作する局所フィードバック機構を提案する。 提案手法は、市販の光ファイバープラットフォームを用いた非自明な文字認識タスクにおいて実験的に実証し、100%の認識率を実現し、効率的なリアルタイム情報処理のための全光学ソリューションを示す。 この研究は、中間のOEO信号変換を使わずに、光学情報の直接的かつ高スループットな処理を可能にすることによって、複雑な人工知能応用のためのフォトニックコンピューティングの可能性を解き放つ。

関連論文リスト

• SEPhIA: <1 laser/neuron Spiking Electro-Photonic Integrated Multi-Tiled Architecture for Scalable Optical Neuromorphic Computing [0.11971027459760782]
  SEPhIAは,実装の実現可能性と現実的なスケーリングを重視した光電子・マルチタイルSNNアーキテクチャである。 SEPhIAは、マイクロリング共振器変調器(MRM)とマルチ波長ソースを利用して、効果的にサブ・ワン・レーザー・パー・スパイキングニューロン効率を実現する。
  論文  参考訳（メタデータ） (2025-10-08T18:24:29Z)
• Universality of physical neural networks with multivariate nonlinearity [17.32613615949005]
  物理ニューラルネットワークは、物理的なシステムを利用して機械学習をより効率的に実行しようとする。 本稿では,物理ニューラルネットワークの普遍性条件を確立するための基本定理を提案する。 本稿では,自由空間光学を用いたスケーラブルなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-09-06T14:08:32Z)
• Streamlined optical training of large-scale modern deep learning architectures 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、30ワット以下の1500テラオプスで大規模なランダム行列乗算を行う。 トレーニング時間の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に対するハイブリッド光電子アプローチ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)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Free-Space Optical Spiking Neural Network [0.0]
  自由空間光深絞り畳み込みニューラルネットワーク(OSCNN)について紹介する。 この手法は人間の眼の計算モデルからインスピレーションを得ている。 以上の結果から,電子的ONNと比較して,レイテンシと消費電力を最小に抑えた有望な性能を示す。
  論文  参考訳（メタデータ） (2023-11-08T09:41:14Z)
• 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)
• 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)
• 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)
• 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。