衍射光学神经网络分析及其与电子神经网络的集成
神经与进化计算
2019-06-11 v4 机器学习
光学
摘要
光学机器学习在功耗效率、可扩展性与计算速度方面具备优势。近来,一种基于衍射深度神经网络(D2NNs)的光学机器学习方法被提出,以执行某一函数:输入光通过被动层衍射,这些层由计算机用深度学习设计。此处我们通过改变训练损失函数并降低误差反向传播步骤中梯度消失的影响,对 D2NNs 作出改进。使用五层纯相位衍射层,我们在手写数字与时尚产品的光学识别中分别数值实现了 97.18% 与 89.13% 的分类准确率;若在每层同时使用相位与振幅调制(复值),推断性能分别提升至 97.81% 与 89.32%。此外,我们报道了 D2NNs 与电子神经网络的集成,以构建混合分类器,利用层间距离为数波长的超紧凑前端 D2NN 显著减少输入电子网络的像素数,并降低后续电子网络的复杂度。使用一个 5 层纯相位 D2NN 与单层全连接电子层联合优化,我们在手写数字与时尚产品识别中分别达到 98.71% 与 90.04% 的分类准确率。而且,输入电子网络被压缩逾 7.8 倍至 10x10 像素。除创建低功耗、高帧率机器学习平台外,D2NN 基混合神经网络将在智能光学成像仪与传感器设计中找到应用。
引用
@article{arxiv.1810.01916,
title = {Analysis of Diffractive Optical Neural Networks and Their Integration with Electronic Neural Networks},
author = {Deniz Mengu and Yi Luo and Yair Rivenson and Aydogan Ozcan},
journal= {arXiv preprint arXiv:1810.01916},
year = {2019}
}
备注
22 pages, 5 Figures, 4 Tables, 1 Supplementary Figure, 2 Supplementary Tables