基于光子神经元胞自动机的深度学习
光学
2023-09-26 v1 新兴技术
摘要
过去十年深度学习的快速进展激发了对高效且可扩展硬件的无限需求。光子学通过利用光的独特性质提供了一种有前景的解决方案。然而，通常需要密集可编程连接的常规神经网络架构给光子实现带来了若干实际挑战。为克服这些限制，我们提出并实验演示了用于具有稀疏连接的光子深度学习光子神经元胞自动机（PNCA）。PNCA 利用光子学的速度和互连性，以及元胞自动机通过局部相互作用的自组织特性，实现稳健、可靠和高效的处理。我们利用线性光干涉和参量非线性光学在时间复用光子网络中进行全光计算，以实验方式执行自组织图像分类。我们使用少至 3 个可编程光子参数对 fashion-MNIST 数据集中的图像进行二分类，实现了 98.0% 的实验准确率，并具备识别分布外数据的能力。所提出的 PNCA 方法可适配于广泛的现有光子硬件，并通过最大化光基计算的优势同时缓解其实际挑战，为常规光子神经网络提供了引人注目的替代方案。我们的结果展示了 PNCA 在推进光子深度学习方面的潜力，并凸显了下一代光子计算机的路径。
引用
@article{arxiv.2309.13186,
title = {Deep Learning with Photonic Neural Cellular Automata},
author = {Gordon H. Y. Li and Christian R. Leefmans and James Williams and Robert M. Gray and Midya Parto and Alireza Marandi},
journal= {arXiv preprint arXiv:2309.13186},
year = {2023}
}