May, 2023

可扩展、硬件高效的深度学习集成多元操作光学神经元

PDF
TL;DR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
optical neural networkphotonic tensor coresmulti-operand photonic devicesimage recognition tasksmach-zehnder-interferometer
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

  • Rubik 的 Optical 神经网络：物理感知旋转架构的多任务学习

    本研究提出了一种新的光学神经网络架构 RubikONNs，并通过旋转硬件来编码多个前馈函数，以优化多任务学习，在能源和成本效率方面得到了超过 4 倍的提高。

    Apr, 2023

  • 基于可编程多操作多模干涉的机器学习光子张量核心 M3ICRO

    提出了一种名为 M3ICRO 的基于多路多模干涉（MOMMI）器件定制的可编程光子张量芯片，在充分利用光电计算的能力的同时具有高能效、小体积以及优异的噪声鲁棒性。

    May, 2023

  • 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

  • 光子神经网络的高效训练和设计通过神经进化算法实现

    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

  • 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

  • MZI 基相干光子神经网络中光损耗和串扰噪声分析

    基于硅光子的神经网络加速器（SP-NN）受到光学损耗和串扰噪声的影响，从而导致网络推理准确性下降并且能达到高功耗惩罚。

    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

  • 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

  • 实时 FJ/MAC PDE 求解器通过张量化的非反向传播光学 PINN 训练

    光学计算在这篇论文中发挥了重要作用，提出了一个基于芯片的物理信息神经网络（PINNs）训练框架，用于高维偏微分方程的求解，具有相当低的能量消耗和超低的延迟。

    Dec, 2023