論文の概要: Optical Neural Networks from Coherent Transient Dynamics in Waveguide QED

• arxiv url: http://arxiv.org/abs/2605.17752v1
• Date: Mon, 18 May 2026 02:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.591314
• Title: Optical Neural Networks from Coherent Transient Dynamics in Waveguide QED
• Title（参考訳）: 導波路QEDにおけるコヒーレント過渡ダイナミクスからの光ニューラルネットワーク
• Authors: Jiande Cao, Yexiong Zeng, Franco Nori, Ze-Liang Xiang,
• Abstract要約: 光ニューラルネットワークは、光子を直接計算することで超高速で低エネルギーな情報処理を約束する。 本稿では,コヒーレント量子力学により基本ニューロン機能を実現する全光完全連結ニューラルネットワークアーキテクチャを提案する。 全物理シミュレーションは、MNISTと色オブジェクト認識タスクに対して高い分類精度を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical neural networks promise ultrafast, low-energy information processing by performing computation directly with photons. Current implementations, however, are largely restricted to steady-state operation and rely on high-latency electro-optical conversion for nonlinear activation. To address these limitations, we propose an all-optical fully connected neural network architecture in which the basic neuronal functions are realized by coherent transient quantum dynamics. Within this framework, phase-tunable nonlocal interference in a giant cavity implements programmable synaptic weights; an integrator operating in the bad cavity regime performs temporal summation by coherently combining sequential wavepackets; and transient Rabi dynamics of a driven two-level system provide nonlinear activation. Full-physics simulations demonstrate high classification accuracy on MNIST and colored-object recognition tasks. These results eliminate the optoelectronic activation bottleneck, reduce latency, and establish transient light-matter dynamics as a native physical resource for high-dimensional nonlinear information processing, paving the way toward fully optical neuromorphic computing.
• Abstract（参考訳）: 光ニューラルネットワークは、光子を直接計算することで超高速で低エネルギーな情報処理を約束する。 しかし、現在の実装は、主に定常動作に制限されており、非線形活性化のために高周波電気光学変換に依存している。 これらの制約に対処するために、コヒーレントな過渡量子力学により基本ニューロン関数が実現される全光完全連結ニューラルネットワークアーキテクチャを提案する。 この枠組みの中では、巨大キャビティにおける位相可変非局所干渉はプログラム可能なシナプス重みを実装し、悪いキャビティ状態で動作する積分器はシーケンシャル・ウェーブレットを整合的に結合して時間和を行い、駆動された2レベル系の過渡ラビ力学は非線形活性化をもたらす。 全物理シミュレーションは、MNISTと色オブジェクト認識タスクに対して高い分類精度を示す。 これらの結果は、光電子の活性化ボトルネックを排除し、レイテンシを低減し、高次元非線形情報処理のネイティブな物理資源として過渡光マターダイナミクスを確立し、完全な光ニューロモルフィックコンピューティングへの道を開いた。

関連論文リスト

• Relay-Assisted Activation-Integrated SIM for Wireless Physical Neural Networks [53.64687377045908]
  無線物理ニューラルネットワーク(WPNN)は、無線システムの物理層で直接ニューラルネットワークを実行するための有望なパラダイムとして登場した。 本稿では,アクティベーション統合された集積型知的準曲面(AI-SIM)に基づくリレー支援型WPNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-05T18:07:13Z)
• ReDON: Recurrent Diffractive Optical Neural Processor with Reconfigurable Self-Modulated Nonlinearity [4.488347887618485]
  Recurrent Diffractive Optical Neural Processor (ReDON)を導入する。 大規模言語モデルで使用されるゲート線形単位(GLU)にインスパイアされたReDONは、伝播する光学場の一部を感知し、その位相や強度を軽量パラメトリック関数によって変調する。 画像認識とセグメンテーションのベンチマークでは、ReDONは以前のDONNと比較してテスト精度と平均交叉結合(mIoU)を最大20%改善する。
  論文  参考訳（メタデータ） (2026-02-27T02:49:05Z)
• Online unsupervised Hebbian learning in deep photonic neuromorphic networks [10.099714133516608]
  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。
  論文  参考訳（メタデータ） (2026-01-29T20:26:36Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Engineering nonlinear activation functions for all-optical neural networks via quantum interference [0.0]
  全光ニューラルネットワーク(AONN)は人工知能(AI)の速度とエネルギー効率の変革的向上を約束する 本稿では,2つのレーザー場によって駆動される3レベル量子システムに基づく低消費電力非線形活性化方式を提案する。 これらの結果は、スケーラブルで高速でエネルギー効率の高い光学AIハードウェアへの大きな進歩を示している。
  論文  参考訳（メタデータ） (2025-04-05T01:17:06Z)
• 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)
• 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)
• Topologically Protecting Squeezed Light on a Photonic Chip [58.71663911863411]
  集積フォトニクスは、導波路内部に厳密に光を閉じ込めることで非線形性を高めるエレガントな方法を提供する。 シリカチップに励起光を発生させることができる自発4波混合のトポロジカルに保護された非線形過程を実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-14T13:39:46Z)
• 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。