概括
我们介绍了基于相位的微共振器光学神经网络 (PMONN),这是一个增强的光学神经网络架构. 在图像数据集上,PMONN实现了高精度,为未来的光学计算应用提供了更好的灵活性和可重复使用性.
科学领域:
- 光子学 是一个光子学.
- 光学计算是指光学计算的应用.
- 人工智能的人工智能
背景情况:
- 传统的微共振器光学神经网络 (ONN) 在培训稳定性和架构灵活性方面面临挑战.
- 内部共变量转移可能会阻碍电子神经网络的性能,这一挑战可以转化为光学实现.
研究的目的:
- 提出一个改进的光学神经网络 (ONN) 电路架构,基于相位的微共振器光学神经网络 (PMONN).
- 提高基于微共振器的ONN的灵活性,可重复使用性和性能.
主要方法:
- PMONN架构包括一个卷积和批量规范化 (CB) 单元与基于阶段 (PB) 和深度点智能 (DPW) 卷积层.
- 一个重建的批量规范化 (RBN) 层通过模仿电子批量规范化来解决内部共变量转移.
- 在测试阶段,可调节设备 (DA) 用于合并RBN和DPW层.
主要成果:
- 在MNIST数据集上,PMONN实现了99.15%的高准确率,在时尚-MNIST数据集上达到91.83%.
- 与传统的微共振器ONN相比,拟的架构显示出更高的灵活性和可重复使用性.
结论:
- 基于相位的微共振器光学神经网络 (PMONN) 为光学神经网络提供了可行的和改进的架构.
- 作为先进光学物体检测系统的基础组件,PMONN显示出巨大的潜力.
