光学是下一代机器学习计算硬件的令人激动的方向,能够在计算速度和能源效率方面提供数个数量级的增强。本研究首次提出了一种简单而通用的方案,通过饱和吸收体作为激活单元,并通过泵浦 - 探测过程实现所需的性能以解决光学实现反向传播的挑战,从而展示了完全依赖于模拟光学过程进行训练和推理任务的神经网络的构建可能性。
Aug, 2023
该论文回顾了集成光子神经形态系统的最新进展,分析当前和未来的挑战,概述了克服这些挑战所需的科学和技术进步,包括光子计算、光子集成电路、人工神经网络、机器学习和神经形态光电子学。
Oct, 2020
本文提出了一种使用神经进化学习策略来设计和训练光学神经网络(ONNs)的新方法。通过使用两种典型的神经进化算法来确定 ONNs 的超参数并优化连接中的权重(相移器),本研究证明了该训练算法是有效的,且在对虹膜植物数据集,葡萄酒识别数据集和调制格式识别等分类任务上展示出与其他传统学习算法相当的能力和稳定性。
Aug, 2019
光子处理器在能量成本高昂、人工智能计算需求剧增的背景下成为替代传统电子处理器的潜在选择,然而现有的光学神经网络在图像识别准确度上远远低于现代电子神经网络,本研究通过低维重参数模型引入了一种基于大核空间可变卷积神经网络,实现了基于纳米光学结构的光学神经网络在 CIFAR-10 数据集上达到 73.80% 的盲测分类准确度,首次超越现代数字神经网络 AlexNet(72.64%),让光学神经网络跻身于现代深度学习时代。
本篇论文提出新的光学神经网络架构,并利用光学的独特优势实现计算速度和能源效率的显著提升,最高分别达到目前技术水平的两个和三个数量级,此外使用可编程纳米光子处理器进行实验验证。
Oct, 2016
使用人工神经网络逼近多层纳米粒子的光散射,并利用反向传播求解纳米光子逆向设计问题。
Oct, 2017
提出了双自适应训练 (DAT) 方法,通过引入系统误差预测网络以及任务相似性联合优化,使光子神经网络 (PNN) 适应大规模系统误差,实现高精度梯度计算,从而在物理系统中实现 PNN 数值模型和物理系统的高相似性映射,成功地使 PNN 在物理系统中保持与无误差系统相当的分类准确率,并表现出优于现有在场训练方法的出色性能。
Dec, 2022
通过全光神经元、光子突触的结合实现了小规模的全光神经元系统,这种用于神经元和突触之间信息交流的新型系统比传统计算机更高效,尤其对于高带宽任务如通讯和图像处理尤为适用。
Feb, 2021
该综述总结了纳米光子学和机器学习相结合的最新进展,提供了不同计算方法(尤其是深度学习)在纳米光子学反向设计中的概述,并讨论了深度神经网络在光子平台上的实现。
Oct, 2018
本文提出了一种新的芯片上学习框架,可以快速、高效地优化光神经网络的性能,避免了传统方法的实施成本。该框架可有效解决资源约束下的无噪音优化问题,具有较好的优化稳定性与高效性,适合实际部署。
Dec, 2020