百万级别房贷数据的模拟光学推理
机器学习
2026-04-16 v1 新兴技术
神经与进化计算
摘要
模拟光学计算机在机器学习推理方面承诺着巨大的效率提升，但迄今为止尚无一个演示能够超越小规模图像基准测试。我们对模拟光学计算机（AOC）数字孪生在 584 万美国 HMDA 记录上的房贷批准分类任务进行了基准测试，并分离了三个来源的精度损失。在原始 19 个特征上，AOC 以 94.6% 的平衡准确率实现了 5,126 个参数（其中 1,024 个光学参数）的推理，与 XGBoost的 97.9% 相比；当光学核心从 16 扩大到 48 通道时，该 3.3 个百分点的差距仅进一步缩小 0.5pp，表明是架构层面而非硬件限制。将所有模型限制在共享的 127 位二进制编码后，所有模型准确率下降至 89.4%--89.6%，数字模型的编码成本为 8pp，AOC 为 5pp。七个校准后的硬件非理想因素未造成可测量的惩罚。三个层次的限制（编码、架构、硬件保真度）定位了精度损失的具体位置，并指明了下一步改进的方向。
引用
@article{arxiv.2604.13251,
title = {Analog Optical Inference on Million-Record Mortgage Data},
author = {Sofia Berloff and Pavel Koptev and Konstantin Malkov},
journal= {arXiv preprint arXiv:2604.13251},
year = {2026}
}
备注
12 pages, 5 figures