利用迁移学习解决光学矩阵乘法器建模中的数据稀缺问题
机器学习
2023-11-14 v2 光学
摘要
我们提出并实验评估了利用迁移学习来解决训练基于马赫-曾德尔干涉仪网格的光学矩阵乘法器的神经网络(NN)模型时的实验数据稀缺问题。我们的方法包括使用由精度较低的分析模型生成的合成数据对模型进行预训练，并使用实验数据进行微调。我们的研究表明，与在使用有限训练数据时采用分析模型或独立NN模型相比，该方法显著降低了建模误差。利用正则化技术和集成平均，我们仅使用可用数据的25%，便在3x3光子芯片实现的矩阵权重上达到了小于1 dB的均方根误差。
引用
@article{arxiv.2308.11630,
title = {Addressing Data Scarcity in Optical Matrix Multiplier Modeling Using Transfer Learning},
author = {Ali Cem and Ognjen Jovanovic and Siqi Yan and Yunhong Ding and Darko Zibar and Francesco Da Ros},
journal= {arXiv preprint arXiv:2308.11630},
year = {2023}
}