Entrenamiento en modo totalmente avanzado para redes neuronales ópticas

Área de la Ciencia:

• La fotónica
• Aprendizaje automático
• Computación óptica

Sus antecedentes:

• El entrenamiento actual de aprendizaje automático se basa en computadoras digitales, lo que limita la velocidad y la eficiencia energética.
• La emulación en silicio plantea limitaciones significativas para los modelos de computación óptica complejos.

Objetivo del estudio:

• Desarrollar un nuevo método para el entrenamiento eficiente de modelos ópticos de aprendizaje automático.
• Implementar el proceso de entrenamiento intensivo en computación directamente en el sistema óptico físico.

Principales métodos:

• Se introdujo el aprendizaje en modo totalmente avanzado (FFM) para sistemas ópticos.
• Aprendizaje FFM demostrado experimentalmente en el espacio libre y la fotónica integrada.
• Utilizó redes neuronales ópticas con millones de parámetros.

Principales resultados:

• Se ha logrado un rendimiento de vanguardia para redes neuronales ópticas de tamaño comparable.
• Demostrado enfoque totalmente óptico a través de medios de dispersión con resolución limitada por difracción.
• Habilitó imágenes paralelas de objetos fuera de la línea de visión directa a velocidades de fotogramas de kilohertz.
• Muestra una alta eficiencia energética (5.40 × 10^18 ops/sec/watt) con baja intensidad de luz.
• El aprendizaje FFM comprobado puede buscar automáticamente puntos excepcionales no herméticos.

Conclusiones:

• El aprendizaje FFM acelera significativamente los procesos de aprendizaje automático en los sistemas ópticos.
• Este método avanza en las redes neuronales profundas, la percepción ultrasensible y la fotónica topológica.
• El aprendizaje FFM supera las restricciones de modelado numérico al realizar cálculos en el sistema físico.