【Science Advances】普林斯顿大学利用非相干光打造可重构纳米光子神经网络

(导读 )

人工智能对计算性能需求剧增,电子微处理器发展受功耗限制。光学计算有望解决这些问题,光学神经网络(ONNs)成为研究热点,但现有 ONNs 因设计缺陷,在图像分类任务中精度远低于现代电子神经网络,且大多只能在相干光下工作。

( 亮点 )

本研究提出了一种新型的空间变化纳米光子神经网络(SVN³),通过将并行光学计算嵌入平面相机光学系统中,在图像捕获阶段即完成神经网络计算。

大核空间变化卷积(LKSV):通过低维重参数化技术学习大尺寸、角度依赖的卷积核,显著提升了计算效率和精度。

纳米光子阵列实现:利用超表面技术设计角度依赖的光学响应,在非相干光照下实现高效计算。

混合光电系统:结合光学前端(99%计算量)和轻量级电子后端(1%计算量),在CIFAR-10数据集上达到72.76%的准确率,超越AlexNet(72.64%),同时将电子参数数量减少四个数量级。

多功能应用:该系统还可扩展至ImageNet分类(48.64%top-5准确率)和语义分割任务,展示了其在多样化视觉任务中的通用性。

图 1 .空间变化的纳米光子神经网络。

图 2.SVN 的实验验证3.

图 3 .CIFAR-10 图像分类设计的制造芯片的实验测量。

图 4 .来自 CIFAR-10 测试集的随机样本的实验(前 2 名)分类(概率)结果。

图 5.SVN 的验证3作为适用于各种视觉任务的多功能相机。

( 展望 )

SVN³将几乎所有计算(99.64%)从电子处理器转移到光学领域,实现4mm超薄光学堆叠,缩小了光子和电子人工智能之间的差距,且无需制造新光学器件即可推广到多种视觉任务。未来多光圈扩展有望实现高分辨率、多通道光学计算,进一步推动光子人工智能发展。

DOI: 10.1126/scia4vadp0391

【注】:小编水平有限,若有误,请联系修改;若侵权,请联系删除!

相关推荐
W.KN1 小时前
Spring 学习笔记
笔记·学习·spring
_Orch1d2 小时前
初识无监督学习-聚类算法中的K-Means算法,从原理公式到简单代码实现再到算法优化
python·学习·算法·机器学习·numpy·kmeans·聚类
Virgil1392 小时前
【DL学习笔记】计算图与自动求导
笔记·学习
amazinging5 小时前
北京-4年功能测试2年空窗-报培训班学测开-第六十六天
python·学习·面试
-Xie-11 小时前
JVM学习日记(十三)Day13
jvm·学习
sakoba12 小时前
Docker学习其二(容器卷,Docker网络,Compose)
运维·网络·学习·docker·容器·基础
Hello_Embed12 小时前
嵌入式 C 语言入门:循环结构学习笔记 —— 从语法到实用技巧
c语言·笔记·stm32·学习
im_AMBER13 小时前
学习日志25 python
开发语言·python·学习
慕y27414 小时前
Java学习第九十六部分——Eureka
java·学习·eureka
tt55555555555514 小时前
电力系统分析学习笔记(二)- 标幺值计算与变压器建模
笔记·学习·电路