.png){kind=icon}
返回
Efficient training for optical computing
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae59ed.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
衍射光学信息处理器在实现机器学习任务的高效扩展方面展示了显著潜力，能够提供高速、并行且节能的推理。然而，训练过程仍然是实现可扩展的先进分类模型的主要计算瓶颈。此类系统中的线性变换本质上被限制为循环矩阵和分块对角矩阵因子的组合，分别表示自由空间传播以及光的相位和/或振幅调制。尽管理论上已确立这些因子可以生成任意线性变换，但仅存在实验上不可行的因子数量上限。此外，物理参数如层间距离、层数以及仅相位调制限制了解空间。由于可训练元素仅占整体变换的一部分，当前的有约束最小化技术带来了不必要的计算开销，限制了可扩展性。在本工作中，我们提出了一种反向传播算法，提供了一种新颖的闭式解来计算梯度，并通过傅里叶变换引入平面波分解，同时计算给定层中所有可训练元素的梯度，仅使用基变换操作和逐元素乘法。鉴于缺乏可行的解析分解，该方法的应用不仅限于机器学习，还可扩展至任意线性变换的生成、波前整形以及其他信号处理任务。
Keyword:
Optical computing
Backpropagation
Diffractive optical processors
Linear transformations
Wavefront shaping
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
引用论文
Metasurface-enabled on-chip multiplexed diffractive neural networks in the visible在可见光中实现超表面的片上多路复用衍射神经网络
OAAI
OAAI分享收藏Machine learning in marketing: Recent progress and future research directions市场营销中的机器学习: 最新进展和未来研究方向
PREAI
分享收藏Parallel photonic information processing at gigabyte per second data rates using transient states.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容