論文の概要: SPARC: Accurate Photonic Matrix Multiplication via Representative Vectors
- arxiv url: http://arxiv.org/abs/2611.16561v1
- Date: Thu, 12 Nov 2026 09:47:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.418322
- Title: SPARC: Accurate Photonic Matrix Multiplication via Representative Vectors
- Title(参考訳): SPARC: 代表ベクトルによる正確なフォトニックマトリックス乗算
- Abstract要約: フォトニックニューラルネットワークアクセラレーターは、ディープニューラルネットワーク(DNN)推論の消費電力を減らすための有望なソリューションとして登場した。
本稿では, DNNにおけるアクティベーションベクトル間の高い類似性を利用して, 推論精度を向上させる手法を提案する。
- 参考スコア(独自算出の注目度): 8.272287978822197
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Photonic neural network accelerators have emerged as a promising solution for reducing the power consumption of deep neural network (DNN) inference by executing matrix multiplication on analog photonic hardware. However, their inference accuracy is limited by low-bit quantization required for photonic processing and by analog photonic noise. This paper proposes an approach for improving inference accuracy by exploiting the high similarity among activation vectors in DNNs. Specifically, our approach constructs a representative vector for each group of similar activation vectors, computes its inner product digitally with high precision, and offloads the residual inner products to the photonic accelerator. Since the activation vectors within each group are highly similar, the residual vectors have much smaller norms, thereby reducing the effects of quantization errors and analog photonic noise. Furthermore, our approach preserves the photonic inner-product computation pipeline, allowing seamless integration into existing and future photonic accelerators without hardware modification. Experimental results on six representative DNN models demonstrate that the proposed approach can improve inference accuracy across diverse network architectures and application domains.
- Abstract(参考訳): フォトニックニューラルネットワークアクセラレータは、アナログフォトニックハードウェア上で行列乗算を実行することにより、ディープニューラルネットワーク(DNN)推論の消費電力を減らすための有望なソリューションとして登場した。
しかし、その推測精度はフォトニック処理に必要な低ビット量子化とアナログフォトニックノイズによって制限される。
本稿では, DNNにおけるアクティベーションベクトル間の高い類似性を利用して, 推論精度を向上させる手法を提案する。
具体的には、同様のアクティベーションベクトル群毎に代表ベクトルを構築し、その内部積を高精度でディジタル計算し、残余内積をフォトニック加速器にオフロードする。
各群内の活性化ベクトルは非常に類似しているため、残留ベクトルはノルムがはるかに小さいため、量子化誤差やアナログフォトニックノイズの影響を低減できる。
さらに,本手法では,フォトニック内積計算パイプラインを保存し,ハードウェアを改良することなく,既存の光ニック加速器と将来の光ニック加速器とのシームレスな統合を可能にする。
6つの代表的DNNモデルに対する実験結果から,提案手法は多様なネットワークアーキテクチャやアプリケーションドメインにおける推論精度を向上させることができることが示された。
関連論文リスト
- C$^{2}$-INR: Customized Convolutional Implicit Neural Representation [52.0139495321554]
Implicit Neural Representation (INR)は、ニューラルネットワークを利用して画像などの離散的な信号を連続的に表現する。
既存のINRメソッドの多くは、バックボーンとしてMulti-Layer Perceptrons (MLP)を採用している。
対照的に、畳み込みINRは画素間の依存関係を本質的に考慮しながら、並列にピクセルを処理することができる。
論文 参考訳(メタデータ) (2026-09-19T06:17:17Z) - Photonic Quantum Convolutional Neural Networks with Adaptive State Injection [0.39928148142956393]
我々は、状態注入を備えた粒子数保存回路に基づいて、最初のフォトニック量子畳み込みニューラルネットワーク(PQCNN)を設計、実験的に実装した。
半導体量子ドットを用いた単一光子源を用いたフォトニックプラットフォーム上でのバイナリ画像分類のためのPQCNNを実験的に検証した。
短期量子デバイスと互換性のある非線形ボソンサンプリングタスクに対する単純な適応手法の可能性を強調した。
論文 参考訳(メタデータ) (2025-04-29T17:57:01Z) - Exploring Kernel Transformations for Implicit Neural Representations [57.2225355625268]
入射神経表現(INR)は、ニューラルネットワークを利用して、対応する属性に座標をマッピングすることで、信号を表現する。
この研究は、モデル自体を変更せずに入出力のカーネル変換の効果を探求する先駆者となった。
我々の発見の副産物は、スケールとシフトを組み合わせて、INRを無視できないオーバーヘッドで著しく向上させる、単純で効果的な方法である。
論文 参考訳(メタデータ) (2025-04-07T04:43:50Z) - Scalable Back-Propagation-Free Training of Optical Physics-Informed Neural Networks [12.726911225088443]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において有望であることを示す。
フォトニックコンピューティングは、超高速な演算速度のために、この目標を達成するための潜在的なソリューションを提供する。
本稿では,シリコンフォトニックプラットフォーム上でのリアルタイムPINNのトレーニングのための,完全バックプロパゲーションフリー(BPフリー)かつ高給電性フレームワークを提案する。
論文 参考訳(メタデータ) (2025-02-17T23:45:23Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳(メタデータ) (2024-12-05T09:41:33Z) - Photonic Accelerators for Image Segmentation in Autonomous Driving and
Defect Detection [34.864059478265055]
フォトニックコンピューティングは、従来のデジタルハードウェアよりも高速でエネルギー効率のよいディープニューラルネットワーク(DNN)推論を約束する。
特定のセグメンテーションモデルは、フォトニック加速器上で実行される場合の精度(デジタルfloat32モデルと比較して)が無視できることを示す。
我々は,このようなコンピュータビジョンタスクへのフォトニック加速器の適用を改善するための課題と潜在的な最適化について論じる。
論文 参考訳(メタデータ) (2023-09-28T18:22:41Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳(メタデータ) (2022-10-17T06:29:07Z) - 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) - A Robust Backpropagation-Free Framework for Images [47.97322346441165]
画像データに対するエラーカーネル駆動型アクティベーションアライメントアルゴリズムを提案する。
EKDAAは、ローカルに派生したエラー送信カーネルとエラーマップを導入することで達成される。
結果は、識別不能なアクティベーション機能を利用するEKDAAトレーニングCNNに対して提示される。
論文 参考訳(メタデータ) (2022-06-03T21:14:10Z) - Computational optimization of convolutional neural networks using
separated filters architecture [69.73393478582027]
我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。
畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
論文 参考訳(メタデータ) (2020-02-18T17:42:13Z)
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。