对光学神经网络进行全向模式训练
Zhiwei Xue1,2,3,4, Tiankuang Zhou1,2,3, Zhihao Xu1,2,3,4
1Department of Electronic Engineering, Tsinghua University, Beijing, China.
Nature
|August 7, 2024
概括
全向模式 (FFM) 学习可以直接在物理系统上有效地训练光学神经网络. 这一突破加速了机器学习应用,
科学领域:
- 光子学
- 机器学习
- 光学计算
背景情况:
- 目前的机器学习培训依赖于数字计算机,限制了速度和能源效率.
- 在模拟对复杂的光学计算模型构成重大约束.
研究的目的:
- 开发一种用于高效训练光学机器学习模型的新方法.
- 在物理光学系统上直接实施计算密集型训练过程.
主要方法:
- 为光学系统引入全向模式 (FFM) 学习.
- 在自由空间和集成光子学中实验证明了FFM学习.
- 使用数百万个参数的光学神经网络.
主要成果:
- 在相似规模的光学神经网络中实现了最先进的性能.
- 通过散射介质进行全光学聚焦,分辨率有限.
- 能够以千赫兹的率对视线之外的物体进行并行成像.
- 在低光强度下展示高能效 (5.40 × 10^18 ops/sec/watt).
- 经过验证的FFM学习可以自动搜索非赫尔密特异常点.
结论:
- FFM学习显著加快了光学系统中的机器学习过程.
- 这种方法推进了深度神经网络,超敏感感知和拓光子学.
- 通过对物理系统进行计算,FFM学习克服了数值建模的限制.


