介绍了一种利用混沌光学的技术为 Edge 计算设备提供了一种新的、能够提高运算性能且能够处理高度非线性特征的平台。
Jul, 2023
通过利用复杂的非线性光学处理器,利用光学计算实现简化的机器学习模型来进行图像分类。
Aug, 2022
利用自由空间光学前端单元实现第一层的线性操作,然后通过电子方式实现后续层的混合光电架构,在 Kaggle 猫狗挑战数据库中获得了 87% 的图像分类精度。
Dec, 2018
通过光电硬件平台实现了光学神经网络中的非线性激活函数,通过数值模拟,证明该激活函数能够显著提高神经网络的表现,使得其在多个任务上表现更好,如图像分类任务中精度从 85% 提升至 94%。
Mar, 2019
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
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
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。
通过将光学与数字技术协同处理,并操作于凝聚态光学信号下,我们成功地优化了一个混合光学 - 数字的人工神经网络,发现相比于数字技术,其在低功耗 / 低延迟下具有更高的分类精度,这表明在一些应用中,光学技术比数字技术更优越。
May, 2023
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
光学成像和传感系统基于衍射元件取得了巨大的进展,最近使用深度学习和数字神经网络的研究努力使衍射处理器与数字神经网络合作优化,建立了输入电磁波与后端处理数字化信息之间的新的 “衍射语言”,从而为各种应用提供了巨大的潜力。
Jun, 2024