Aug, 2019

光子神经网络的高效训练和设计通过神经进化算法实现

PDF
TL;DR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。
发现论文，激发创造
  • 光神经网络的节能稀疏零阶优化在芯片学习中的高效实现

    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

  • 通过原位反向传播训练光子神经网络

    本文提出了一种新的方法，使用伴随变量方法导出光子反向传播算法的光学模拟，并通过在设备内进行强度测量来准确获得这些梯度，从而大大提高了光学神经网络的训练效率。

    May, 2018

  • 光学神经网络

    本文提出一种新的光学神经网络（ONN）框架，模拟人眼视网膜中心附近的高分辨率，实现了图像分类估计的标量不变性，并且通过同维孪生（Siamese）结构将不同缩放级别的图像输入通过相同的卷积神经网络（CNN）进行处理，最终的结果可用于提高现有算法中的准确性。

    May, 2018

  • 具有连贯纳米光子电路的深度学习

    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

  • 空间变化的纳米光子神经网络

    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。

    Aug, 2023

  • 量子光学神经网络

    提出了量子光学神经网络（QONN）的概念，并利用集成量子光子学等技术，通过数值模拟和分析培训 QONN，可执行一系列量子信息处理任务，包括压缩、强化学习、黑盒量子模拟等，并展示了其泛化数据的能力。结果表明 QONNs 是量子光学系统的有力设计工具，是下一代量子处理器的一种有前途的架构。

    Aug, 2018

  • QuATON：光神经元的量化感知训练

    光学神经架构（ONA）使用具有优化的物理参数的编码元素进行智能测量，提出了一种物理信息量化感知训练框架，该方法在训练过程中考虑了物理约束，导致了稳健的设计。在不同量化水平和数据集上进行了大量实验，表明我们的方法导致了对量化噪声稳健的 ONA 设计。

    Oct, 2023

  • 可扩展、硬件高效的深度学习集成多元操作光学神经元

    通过使用多操作光神经元 (MOON) 和 Mach-Zehnder 干涉仪 (MOMZI) 构建的光学点积引擎，本文构建了基于 optoelectronic 混合计算的神经网络，并在街景房号识别数据集中实现了 85.89% 的分类精度，相较 传统的 单操作光调制器具有更少的传播损耗、更少的光学延时、更小的设备占地面积和可比的矩阵表达能力

    May, 2023

  • 光子神经网络的双重自适应训练

    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

  • 芯片上的光学卷积神经网络

    本论文介绍了一种基于光子学电路的 CNN 数字处理体系结构，相较于当前电子学电路，本体系结构在每次推断中消耗的能量仅为其一部分。

    Aug, 2018