在大内核元材料神经网络上的数字建模

科学领域:

• 光电学是指光电子产品.
• 人工智能的人工智能
• 材料科学 材料科学 材料科学

背景情况:

• 深度神经网络 (DNN) 面临着计算负担,延迟和功耗问题,特别是在边缘计算和物联网中.
• 超材料神经网络 (MNN) 提供光速,无能计算,但受到制造精度,噪声和带宽的限制.
• 标准的MNN设计不能充分利用它们的潜力,因为传统的卷积内核的局限性.

研究的目的:

• 提出一个新的大型内核超材料神经网络 (LMNN),解决多重核的物理局限性.
• 通过整合模型重新参数化和网络压缩来最大限度地提高MNN的数字容量和学习能力.
• 在数字学习方案中明确考虑和建模元光学的光学限制.

主要方法:

• 开发了一种新的大型内核超材料神经网络 (LMNN) 架构.
• 实施模型重新参数化和网络压缩技术,以提高数字容量.
• 设计了一个数字学习方案,以考虑元光学硬件的物理约束.

主要成果:

• 拟议的LMNN有效地将卷积计算卸载到制造的光学硬件上.
• 实验结果显示,对公共数据集的分类准确度有所提高.
• 与现有方法相比,显著减少了计算延迟.

结论:

• LMNN代表了光学神经网络的重大进步,将数字学习与光学硬件限制相结合.
• 这种混合方法通过最大限度地发挥MNN潜力,同时尊重物理限制,从而优化性能.
• LMNN是实现无能源,光速人工智能的有希望的一步,用于苛刻的应用.