Oct, 2020

人工智能和神经形态计算的光子学

PDF
TL;DR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。
发现论文，激发创造
  • 智能纳米光子学：将光子学和人工智能融合于纳米尺度

    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

  • 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

  • 具有自学习能力的全光脉冲神经突触网络

    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

  • 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

  • 强化学习光子学结构

    本文介绍了一种基于光子技术和强化学习的主动学习机制的设计方案，包括 SARSA, Q-learning 和 projective simulation 等算法。该方案可实现抽象和概括机制，并且具有可扩展性和可移植性。

    Jul, 2019

  • 光子量子信息处理：简明综述

    用干涉仪可以非常精确地操控光子的量子态，因此光子系统成为了研究量子力学、推进量子信息科学和开发量子技术的旗舰系统之一。目前，集成平台、先进光源和探测器等的发展使光子量子计算成为中、大规模处理的有力竞争者，并具有潜在的量子网络应用。本文提供了该领域一些关键方面的关注点概况，重点是实验方法。

    Jul, 2019

  • 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

  • 光子量子信息处理综述

    本文全面回顾了光子量子技术的现状，特别关注了单光子的优点及其在量子信息处理，远距离通信，复杂现象仿真等领域的广泛应用和最新技术进展。

    Mar, 2018

  • 用于机器学习的光子张量核心

    介绍了一种用于矩阵向量乘法和求和的集成光子学 TPU，通过利用波长分割复用、纳秒级延迟和基于相变材料的光学多态存储器，结合这些材料、功能和系统的物理协同作用，展示了这种 8 位光子 TPU 的性能比电子 TPU 高 2-3 个数量级，而占用的芯片面积类似，表明光子专用处理器在增强电子系统方面具有潜力，并且在即将到来的 5G 网络及其后面的网络边缘设备中表现特别出色。

    Feb, 2020

  • 可持续计算的光子学

    本文构建了光子芯片的碳足迹模型，通过对 ADEPT 进行案例研究，调查了光子学加速器的可持续性，结果显示光子学可以通过其高能效性以及每单位面积至少比 28 纳米 CMOS 的制造碳成本低 4 倍，从而减少操作碳足迹和制造碳足迹。

    Jan, 2024