相关实验视频
Updated: Jun 17, 2025
10:00
Gradient Echo Quantum Memory in Warm Atomic Vapor
Published on: November 11, 2013
12.8K
光子深度残留时间延迟储存器计算计算
Changdi Zhou1, Yu Huang1, Yigong Yang1
1School of Optoelectronic Science and Engineering & Collaborative Innovation Center of Suzhou Nano Science and Technology, Soochow University, Suzhou 215006, China; Key Lab of Advanced Optical Manufacturing Technologies of Jiangsu Province & Key Lab of Modern Optical Technologies of Education Ministry of China, Soochow University, Suzhou 215006, China.
概括
我们介绍了一种新的深度残留时间延迟储存器计算 (DR-TDRC) 架构,该架构显著增强了内存功能和非线性通道均等. 这种光子方法可以扩展到许多层,提高人工智能应用的性能.
科学领域:
- 光子学 是一个光子学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 时间延迟储库计算 (TDRC) 提供了一种简化的方法来处理反复的神经网络.
- 深度架构可以增强TDRC功能,但面临着层冗余的挑战.
研究的目的:
- 提出并展示一种具有增强功能的新型光子深度残留TDRC (DR-TDRC).
- 为了提高内存容量和非线性通道均衡性能.
- 为了实现可扩展的深度TDRC架构,增强稳定性.
主要方法:
- 开发一个光子深剩余TDRC (DR-TDRC) 架构,将剩余连接中的额外时间延迟纳入其中.
- 实施专门的剪切算法,以减轻深层结构中的性能退化.
- 使用基于注射锁分布式反激光器的960个神经元的4层DR-TDRC的实验演示.
主要成果:
- 在基准任务中,DR-TDRC表现优于传统的深层结构.
- 在内存能力和非线性通道均等 (几乎一个数量级) 中取得了显著的改进.
- 通过剪切算法成功将深度TDRC扩展到数十个层,从而提高了整体性能.
结论:
- 拟议的DR-TDRC为先进的深度光子计算提供了一种可行和可扩展的方法.
- 这项工作解决了深度TDRC的局限性,为更强大的AI硬件铺平了道路.
- 这些发现支持深度光子计算的扩展,以满足日益增长的人工智能需求.
