概括
一个基于Sb2S3的可重新配置的衍射光学神经网络 (RDONN) 能够实现芯片上的机器学习. 这种被动的全光学芯片为先进的现场学习系统提供了可重新配置的重量.
科学领域:
- 光子学和机器学习
- 光学计算和综合光子学.
背景情况:
- 在芯片上实现机器学习功能需要紧,高效的解决方案.
- 传统的硬件修改或重新制造限制了光学神经网络的重新配置.
研究的目的:
- 提出基于Sb2S3的可重新配置衍射光学神经网络 (RDONN) 进行芯片内集成.
- 展示一个被动的,全光学解决方案,用于可重新配置的机器学习功能.
主要方法:
- 利用一个二维的电磁传播模型来构建RDONN架构.
- 使用由Sb2S3制成的多层金属线,是一种低损耗的相变材料,用于可重新配置的重量.
- 在Iris数据集上测试了RDONN,使用强度和相调节输入.
主要成果:
- 通过强度调制达到95.0%的高分类精度,通过相位调制达到98.3%.
- 在没有硬件修改的情况下,证明了可重新配置的重量操纵的可行性.
- 证实了与标准的在绝缘体系统的集成能力.
结论:
- 拟议的基于Sb2S3的RDONN提供了一个可行的,紧的,被动的全光学解决方案,用于芯片上机器学习.
- 这种可重新配置的光学芯片设计有助于未来全光学在现场学习系统的开发.
- 该技术对设计和制造现实世界的光学计算芯片具有重大前景.
更多相关视频
14:09High-Throughput Total Internal Reflection Fluorescence and Direct Stochastic Optical Reconstruction Microscopy Using a Photonic Chip
Published on: November 16, 2019
6.8K
10:18Photodiode-Based Optical Imaging for Recording Network Dynamics with Single-Neuron Resolution in Non-Transgenic Invertebrates
Published on: July 9, 2020
2.9K
