利用被动光学非线性映射的深度学习
使用光学和混合卷积神经网络,结合知识蒸馏和元光学器件,实现对 MNIST 数据集的图像分类任务,在大幅度减少延迟和功耗的同时,保持了高达 93% 以上的分类准确度。
Apr, 2024
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
本文介绍了一种基于非相干光学计算平台的 AI 工作负载加速方法,通过交叉层设计,优化了非相干光学计算平台的光学器件工程、调谐电路增强和架构创新,并探讨了硬件 / 软件协同设计等技术来智能化映射和适应 AI 软件,以提高其在非相干光学计算平台上的性能。
Mar, 2023
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
本文描述了如何将光计算和通信集成到 2.5D 芯片平台中,从而驱动一类新型的可持续扩展的机器学习硬件加速器,以加速新兴的机器学习工作负载,通过跨层设计、硬件 / 软件协同设计和硅光子设计制备。
Jan, 2023
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