論文の概要: Photonic AI: A Hybrid Diffractive Holographic Neural System for Passive Optical Real-Time Image Classification
- arxiv url: http://arxiv.org/abs/2604.15364v1
- Date: Tue, 14 Apr 2026 10:34:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.550291
- Title: Photonic AI: A Hybrid Diffractive Holographic Neural System for Passive Optical Real-Time Image Classification
- Title（参考訳）: フォトニックAI:パッシブ光リアルタイム画像分類のためのハイブリッド回折ホログラフィックニューラルシステム
- Authors: Prakul Sunil Hiremath,
- Abstract要約: 本稿では,画像分類のためのハイブリッドな回折ホログラフィーアーキテクチャを提案する。
提案モデルでは,Diffractive Optical Neural Network (DONN) とホログラフィ干渉学習 (HIBL) 演算子を結合する。
MNISTの物理インフォームドシミュレーションでは、約25,000の位相要素を持つ3層系が91.2%のテスト精度を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge intelligence is constrained by the energy and latency costs of shuttling data through electronic memory hierarchies. Optical systems offer a fundamentally different computational regime: once an input wavefront is launched into a structured medium, propagation, diffraction, and interference jointly enact a linear transformation whose cost is determined by wave physics rather than by clocked arithmetic. This paper develops a rigorous systems-level treatment of that regime and introduces a hybrid diffractive holographic architecture for image classification. The proposed model couples a Diffractive Optical Neural Network (DONN) with a Holographic Interference-Based Learning (HIBL) operator a formal map from digitally optimized phase distributions to physically realizable, fabrication-compatible interference patterns embeddable in passive optical elements. We express the full inference pipeline as a composition of encoding, phase modulation, free-space propagation, and intensity measurement operators, making explicit which quantities are learned, which are fixed by design, and where nonlinearity enters through photodetection. This operator-theoretic view resolves a persistent gap in the optical-ML literature between learning a transformation and physically realizing it. In physics-informed simulation on MNIST, a three-layer system with approximately 25,000 phase elements achieves 91.2% test accuracy with propagation-limited nanosecond-scale latency. The primary contribution is not a performance claim but a precise computational framework: learned representations can be physically embedded into structured optical media so that inference is executed by wavefront transformation through a passive, fabricated object rather than by sequential electronic multiply accumulate operations.
- Abstract（参考訳）: エッジインテリジェンスは、電子メモリ階層を通じてデータをシャットダウンする際のエネルギーとレイテンシコストによって制約される。
入力波面が構造化媒体に打ち上げられると、伝播、回折、干渉が、クロック演算ではなく波動物理学によって決定される線形変換を共同で実行します。
本稿では, 厳密なシステムレベルの処理方法を開発し, 画像分類のためのハイブリッドな拡散ホログラフィーアーキテクチャを提案する。
提案モデルでは、Diffractive Optical Neural Network(DONN)とホログラフィック干渉ベース学習(HIBL)演算子を結合し、デジタル最適化位相分布から、受動光学素子に埋め込み可能な物理的に実現可能な、製造互換の干渉パターンへのフォーマルマップを作成する。
我々は、全推論パイプラインを符号化、位相変調、自由空間伝播、強度測定演算子の合成として表現し、どの量が学習され、どの量が設計によって固定され、非線形性は光検出によって入力されるかを明確にする。
この作用素理論的な視点は、変換を学習し、それを物理的に実現することの間の光学-ML文学における永続的なギャップを解消する。
MNISTの物理インフォームドシミュレーションでは、約25,000の位相要素を持つ3層系が、伝搬制限ナノ秒スケールのレイテンシで91.2%のテスト精度を達成する。
学習された表現を物理的に構造化された光学媒体に埋め込むことができ、連続的な電子的乗算演算ではなく、受動的に作られたオブジェクトを通して波面変換によって推論を実行することができる。
関連論文リスト
- Photonic convolutional neural network with pre-trained in-situ training [0.0]
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。
論文 参考訳（メタデータ） (2026-04-02T18:01:41Z) - Large-scale nonlinear optical computing with incoherent light via linear diffractive systems [46.80331539631633]
最適化された微分プロセッサは空間的不整合あるいは部分的コヒーレント照明下で大規模非線形関数近似を行うことができることを示す。
数値計算の結果は、単一前方通過における100万個の異なる非線形関数のスナップショットを示す。
本研究は,空間的不整合および部分的コヒーレント照明のための超並列普遍関数近似器として,回折プロセッサを確立した。
論文 参考訳（メタデータ） (2026-03-31T01:27:57Z) - Quantum Optical Neuron for Image Classification via Multiphoton Interference [0.0]
計測層に直接推論を行うカメラレスの量子光学画像について実験的に示す。
単一パーセプトロン量子光学ニューロンと2ニューロン浅部ネットワークの両方を実現し、ベンチマークデータセット上で高い精度を実現する。
このアプローチは、タスク関連情報を抽出できるニューロモルフィック量子フォトニックプロセッサへの道を開く。
論文 参考訳（メタデータ） (2026-03-30T18:01:45Z) - Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。
現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。
本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文 参考訳（メタデータ） (2025-09-11T23:12:55Z) - Physics-guided and fabrication-aware inverse design of photonic devices using diffusion models [43.51581973358462]
本稿では,拡散モデルのサンプリングプロセスに随伴勾配感度を統合する物理誘導フレームワークであるAdjointDiffusionを提案する。
提案手法は, 効率と製造性の両方において, 最先端の非線形勾配法より一貫して優れる。
論文 参考訳（メタデータ） (2025-04-23T19:54:33Z) - Optical Neural Ordinary Differential Equations [44.97261923694945]
隠れ層の連続力学を光学的ODE解法でパラメータ化する光学的ニューラル常微分方程式(ON-ODE)アーキテクチャを提案する。
On-ODEは、PNNとフォトニックインテグレータと光フィードバックループとから構成されており、残留ニューラルネットワーク(ResNet)と、チップ領域占有率を効果的に低減したリカレントニューラルネットワークを表現するように構成できる。
論文 参考訳（メタデータ） (2022-09-26T04:04:02Z) - Time-lapse image classification using a diffractive neural network [0.0]
回折ネットワークを用いたタイムラプス画像分類方式を初めて示す。
CIFAR-10データセットからの物体の光学的分類におけるブラインドテスト精度は62.03%である。
これは、これまで1つの回折ネットワークを用いて達成された最も高い推測精度を構成する。
論文 参考訳（メタデータ） (2022-08-23T08:16:30Z) - 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) - Fault-tolerant quantum computation with static linear optics [0.0]
本研究では,これらの要素を低コストで回避するトポロジ的誤り訂正アーキテクチャを提案する。
我々のコンピュータは,GKP状態の確率的情報源の2次元配列,静的ビームスプリッタの深さ4次回路,位相シフト器,1ステップ遅延線からなる。
提案回路の対称性により、雑音モデル内での有限スキューズと均一光子損失の影響を組み合わせ、より包括的なしきい値推定を行うことができる。
論文 参考訳（メタデータ） (2021-04-07T16:43:34Z) - 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。