Rubik 的 Optical 神经网络:物理感知旋转架构的多任务学习
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
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
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
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
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
光衍射神经网络(DNN)是光神经网络(ONN)的一种子集,展现了与电子网络相当的实力。本研究引入了混合衍射神经网络(HDNN),这是一种新颖的架构,将矩阵乘法纳入 DNN 中,以充分利用传统 ONN 和 DNN 的优势,以克服光衍射神经网络固有的调制限制。利用单一相位调制层和幅度调制层,经过训练的神经网络在模拟和实验中的数字识别任务中表现出了 96.39% 和 89% 的显著准确性。此外,我们开发了一种称为 Binning Design(BD)的方法,有效缓解了衍射单元采样间隔所造成的约束,大大简化了实验流程。此外,我们提出了一种片上 HDNN,不仅采用分光的相位调制层来提高集成级别,而且显著放宽了器件制造要求,用 1 位量化设计的缓解表面替代了超表面。此外,我们构想了一种全光 HDNN 辅助的病变检测网络,实现的检测结果与模拟预测完全一致。本研究不仅推动了 DNN 的性能提升,还为产业级光神经网络的生产铺平了道路。
Apr, 2024
提出了一种新颖的大卷积核变形材料神经网络(LMNN),通过模型重新参数化和网络压缩来最大化最先进的元件网络(MNN)的数字容量,并明确考虑了光学限制,实验结果证明这种优化的混合设计提高了分类准确性同时减少了计算延迟。
Jul, 2023
使用光学全衍射深度神经网络 (D2NN) 进行手写数字分类和成像透镜功能的学习,可以在光速下执行复杂函数,该技术具有潜在的光学图像分析和对象分类应用,并能够实现独特的任务。
Apr, 2018