Oct, 2023

非负同构神经网络用于光子神经形态加速器

PDF
TL;DR光电神经形态计算器能够显著提高计算速度和能量效率，但将现有深度学习模型部署在这样的平台上并不容易，我们引入了一种方法来获得满足神经形态硬件要求的非负等价物，并采用保持符号优化方法来训练这样的等价网络。
neuromorphic photonic acceleratorsdl modelsnon-negative neural networksincoherent neuromorphic photonic capabilitiessign-preserving optimization approach
发现论文，激发创造
  • 具有连贯纳米光子电路的深度学习

    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

  • 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

  • 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

  • 卷积神经网络的光学前端

    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

  • 光子学加速深度神经网络训练：基于残余数系统的设计

    Mirage 是一种基于残留数系统（RNS）的光子深度神经网络（DNN）训练加速器，通过将 RNS 和光子学相结合，提供高能效、高精度且能够成功训练与 FP32 训练相媲美的 DNNs，相比系统阵列，平均可实现超过 23.8 倍的更快训练速度、32.1 倍的更低能耗与相当或更好的效率 - 功耗比（EDP）在等能端景下，以及 42.8 倍的更低功率消耗在等面积场景下。

    Nov, 2023

  • 人工智能和神经形态计算的光子学

    该论文回顾了集成光子神经形态系统的最新进展，分析当前和未来的挑战，概述了克服这些挑战所需的科学和技术进步，包括光子计算、光子集成电路、人工神经网络、机器学习和神经形态光电子学。

    Oct, 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

  • 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

  • 利用被动光学非线性映射的深度学习

    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