基于原位梯度无模型优化训练的高性能真实世界光计算
光学
2024-11-22 v6 计算机视觉与模式识别
新兴技术
机器学习
摘要
光计算系统提供高速低能耗数据处理,但在计算 demanding 的训练与仿真到现实的差距方面存在不足。我们提出一种基于蒙特卡洛梯度估计算法的梯度无模型优化(G-MFO)方法,用于光计算系统的计算高效原位训练。该方法将光计算系统视为黑箱,并将损失直接反向传播到光计算权重的概率分布,规避了计算繁重且有偏的系统仿真需求。我们在衍射光计算系统上的实验表明,G-MFO在MNIST与FMNIST数据集上优于混合训练。此外,我们展示了基于无标记相位图对细胞进行无图像高速分类。我们方法的无模型与高性能特性,加之其对计算资源的低需求,为加速光计算从实验室演示向实际真实世界应用的过渡铺平了道路。
引用
@article{arxiv.2307.11957,
title = {High-performance real-world optical computing trained by in situ gradient-based model-free optimization},
author = {Guangyuan Zhao and Xin Shu and Renjie Zhou},
journal= {arXiv preprint arXiv:2307.11957},
year = {2024}
}
备注
The paper titled "High-performance real-world optical computing trained by in situ gradient-based model-free optimization" has been accepted at ICCP&TPAMI 2024. For more details, please visit the [project page](https://shuxin626.github.io/mfo_optical_computing/index.html)