Jul, 2023

光学神经网络在每次激活时仅受限于量子噪音

PDF
TL;DR在超低功率机制下，研究光神经网络的行为，证明可以通过直接模拟光信号的随机性行为来训练具有极高噪声水平的光神经网络，实现高精度的确定性图像分类任务。
analog physical neural networksultra-low-power regimestochastic optical neural networkssingle-photon regimequantum noise
发现论文，激发创造
  • 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

  • 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

  • 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

  • 线性光学非线性处理

    研究使用多次散射的方法，在低光功率下实现具有程序控制的线性和非线性变换，实现光学多层网络的实现

    Jul, 2023

  • 光学编码器的光子优势

    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

  • 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

  • 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

  • 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

  • 使用端到端光传播训练神经网络

    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

  • 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