論文の概要: Photonic convolutional neural network with pre-trained in-situ training
- arxiv url: http://arxiv.org/abs/2604.02429v1
- Date: Thu, 02 Apr 2026 18:01:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.159375
- Title: Photonic convolutional neural network with pre-trained in-situ training
- Title（参考訳）: その場トレーニングによるフォトニック畳み込みニューラルネットワーク
- Authors: Saurabh Ranjan, Sonika Thakral, Amit Sehgal,
- Abstract要約: フォトニックコンピューティングは、電子フォン・ノイマンアーキテクチャのエネルギーボトルネックを克服する大きな可能性を持つ計算パラダイムである。
我々は,光領域内でMNIST画像の分類を行う完全フォトニック畳み込みニューラルネットワーク(PCNN)を提案し,検証する。
本システムでは、MZIメッシュ、波長分割多重(WDM)プール、マイクロリング共振器に基づく非線形性を利用したコヒーレント処理を継続する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Photonic computing is a computing paradigm which have great potential to overcome the energy bottlenecks of electronic von Neumann architecture. Throughput and power consumption are fundamental limitations of Complementary-metal-oxide-semiconductor (CMOS) chips, therefore convolutional neural network (CNN) is revolutionising machine learning, computer vision and other image based applications. In this work, we propose and validate a fully photonic convolutional neural network (PCNN) that performs MNIST image classification entirely in the optical domain, achieving 94 percent test accuracy. Unlike existing architectures that rely on frequent in-between conversions from optical to electrical and back to optical (O/E/O), our system maintains coherent processing utilizing Mach-Zehnder interferometer (MZI) meshes, wavelength-division multiplexed (WDM) pooling, and microring resonator-based nonlinearities. The max pooling unit is fully implemented on silicon photonics, which does not require opto-electrical or electrical conversions. To overcome the challenges of training physical phase shifter parameters, we introduce a hybrid training methodology deploying a mathematically exact differentiable digital twin for ex-situ backpropagation, followed by in-situ fine-tuning via Simultaneous Perturbation Stochastic Approximation (SPSA) algorithm. Our evaluation demonstrates significant robustness to thermal crosstalk (only 0.43 percent accuracy degradation at severe coupling) and achieves 100 to 242 times better energy efficiency than state-of-the-art electronic GPUs for single-image inference.
- Abstract（参考訳）: フォトニックコンピューティングは、電子フォン・ノイマンアーキテクチャのエネルギーボトルネックを克服する大きな可能性を持つ計算パラダイムである。
スループットと消費電力は、Complementary-metal-oxide-semiconductor (CMOS)チップの基本的な制限であるため、畳み込みニューラルネットワーク(CNN)は機械学習、コンピュータビジョン、その他の画像ベースアプリケーションに革命をもたらしている。
本研究では,MNIST画像分類を光学領域で完全に行う完全フォトニック畳み込みニューラルネットワーク(PCNN)を提案する。
光から電気への頻繁な変換や光(O/E/O)への逆変換に依存する既存のアーキテクチャとは異なり、MZIメッシュ、波長分割多重化(WDM)プーリング、マイクロリング共振器に基づく非線形性を利用したコヒーレント処理は維持されている。
最大プーリングユニットは、光電変換や電気変換を必要としないシリコンフォトニクスに完全に実装されている。
物理位相シフタパラメータをトレーニングする際の課題を克服するため,数式的に正確に微分可能なディジタルツインを配置してバックプロパゲーションを行うハイブリッドトレーニング手法を導入し,その後,同時摂動確率近似(SPSA)アルゴリズムを用いて微調整を行う。
本評価では, 熱クロストークに対するロバスト性(重結合時の精度劣化率0.43パーセント)が著しく向上し, 単一画像推論のための最先端の電子GPUの100～242倍のエネルギー効率を実現している。
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) - 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) - 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) - All-optical modulation with single-photons using electron avalanche [66.27103948750306]
シリコン中の電子雪崩による全光変調を実証する。
我々のアプローチは、ギガヘルツ速度と、さらに高速な光スイッチングの可能性を開く。
論文 参考訳（メタデータ） (2023-12-18T20:14:15Z) - Sophisticated deep learning with on-chip optical diffractive tensor
processing [5.081061839052458]
フォトニック集積回路は、電子回路によってもたらされる帯域制限と電力ウォールを緩和するための効率的なアプローチを提供する。
我々は、オンチップ回折により、光畳み込みユニット(OCU)と呼ばれる畳み込み加速度を実装する光学コンピューティングアーキテクチャを提案する。
OCUを基本単位として、光学畳み込みニューラルネットワーク(oCNN)を構築し、分類と回帰という2つの一般的なディープラーニングタスクを実装する。
論文 参考訳（メタデータ） (2022-12-20T03:33:26Z) - Scalable Nanophotonic-Electronic Spiking Neural Networks [3.9918594409417576]
スパイキングニューラルネットワーク(SNN)は、高度に並列化されたリアルタイム処理が可能な新しい計算パラダイムを提供する。
フォトニックデバイスは、SNN計算パラダイムに適合する高帯域並列アーキテクチャの設計に最適である。
CMOSとSiPhの併用技術はスケーラブルなSNNコンピューティングアーキテクチャの設計に適している。
論文 参考訳（メタデータ） (2022-08-28T06:10:06Z) - Single-Shot Optical Neural Network [55.41644538483948]
深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。
我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
論文 参考訳（メタデータ） (2022-05-18T17:49:49Z) - Experimentally realized in situ backpropagation for deep learning in
nanophotonic neural networks [0.7627023515997987]
私たちは、カスタムデザインの「フォトニックメッシュ」アクセラレーターをカスケードする、大量製造可能なシリコンフォトニックニューラルネットワークを設計します。
In situ backproagation を初めて示し、分類課題を解く。
本研究は、フォトニクス加速人工知能の新しいトレーニングパラダイムを、一般的なバックプロパゲーション手法の物理的類似に基づいて提案するものであることを示唆する。
論文 参考訳（メタデータ） (2022-05-17T17:13:50Z) - 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) - Photonic tensor cores for machine learning [0.0]
本稿では,行列ベクトルの乗算と和を行うためのフォトニクスベースのTPUを提案する。
この8ビットフォトニックTPUの性能は、同様のチップ領域を特徴とする電気的TPUよりも2～3桁高い。
この研究は、フォトニック特化プロセッサが電子システムを増強する可能性を示し、5Gネットワークを略奪するネットワークエッジデバイスで異常によく機能する可能性があることを示している。
論文 参考訳（メタデータ） (2020-02-01T14:11:27Z)
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。