利用迁移学习解决光学矩阵乘法模型中的数据稀缺问题

Aug, 2023

利用迁移学习解决光学矩阵乘法模型中的数据稀缺问题

Addressing Data Scarcity in Optical Matrix Multiplier Modeling Using Transfer Learning

Ali Cem, Ognjen Jovanovic, Siqi Yan, Yunhong Ding, Darko Zibar...

TL;DR利用迁移学习和合成数据预训练的神经网络模型，在光学基质乘法器的 Mach-Zehnder 干涉仪网状结构中，通过微调实验数据，有效降低建模误差，并仅使用 25% 的可用数据实现了小于 1 dB 均方根误差。

Abstract

We present and experimentally evaluate using transfer learning to address experimental data scarcity when training neural network (NN) models for

transfer learning neural network models experimental data scarcity mach-zehnder interferometer optical matrix multipliers

发现论文，激发创造

基于混合密度网络的纳米光子学中的迁移学习辅助逆向建模

本文提出了一种基于混合密度网络模型和迁移学习增强的逆向建模方法，用于纳米光子结构，该方法在输入光学响应的情况下能够准确预测设计解决方案的能力，并克服了混合密度网络模型中的多个挑战。

Jan, 2024

高性能实际光学计算通过原地非模型优化训练

光计算系统的实地优化是无模型的解决方案，基于分数梯度估计算法，其简单性和对计算资源的低需求加速了光计算从实验室演示到现实世界应用的过渡。

Jul, 2023

训练深度神经网络用于纳米光子结构逆设计

通过在串联架构中结合正向建模和反向设计，可以有效地使用数据集对包含非唯一电磁散射实例的深度神经网络进行训练，为使用深度神经网络设计需要大型训练集的复杂光子结构铺平了道路。

Oct, 2017

基于端到端学习的 MIMO 物理层通信基准测试

本文目的在于探讨在何种场景下，数据驱动的机器学习可以超越传统的 MIMO 收发器，并展示了多种场景中 ML 的性能表现，其中包括闭环 MIMO，开环 MIMO 和多用户 MIMO，并提供了相应神经网络模型的代码实现。

May, 2020

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

散射光学网络的集成学习

本文介绍了利用深度学习设计 Diffractive Deep Neural Networks (D2NNs) 进行光计算，在特征工程和集成学习方面的改进，以提高其图像分类准确度，并在 CIFAR-10 测试图像上达到了 61.14％和 62.13％的盲测试准确率，是目前任何衍射光神经网络设计方法在相同数据集上所取得的最高推理准确度，并可能提供跨越衍射光影像分类和机器视觉系统应用空间的重大飞跃

Sep, 2020

光学神经网络的前向 - 前向训练

本文介绍了一种利用光学系统实现神经网络训练的新路径，该方法使用了 Forward-Forward Algorithm 和多模非线性波传播等技术来提高 NN 性能。

May, 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

光纤通信的端到端深度学习

本论文采用深度学习实现了一种光纤通信系统，可通过单端到端的过程优化收发器，构建出一个灵活的，鲁棒性较好的收发器，成功地将其应用于强度调制 / 直接检测（IM/DD）系统，实现了可靠的传输，并将传输速度提高至 42GBfs。

Apr, 2018

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