用于实时被动式基于深度学习的物体识别的元神经网络
神经与进化计算
2021-01-27 v1 机器学习
应用物理
摘要
深度学习近来在诸多学科中取得巨大成功，但传统上需要耗时的计算机处理或体积庞大的衍射元件。本文中，我们从理论上提出并实验演示了一种纯被动的“元神经网络(meta-neural-network)”，其具有紧凑性与高分辨率，可通过分析声散射实时识别复杂物体。我们证明，尽管体积小，我们的元神经网络可模拟标准神经网络，这得益于其超材料单元（称为“元神经元(meta-neurons)”）的独特能力，能在训练期间产生作为可学习参数的深亚波长分布的离散相移。所得器件展现出执行所需任务的“智能”，有望解决当前在减小器件尺寸、成本与能耗和增加识别速度及精度之间的权衡，并以手写数字识别为例加以展示。我们的机制为基于超材料的新深度学习范式开辟了道路，并实现了诸如自动分析信号的智能换能器等概念性器件，对声学、光学及相关领域具有深远影响。
引用
@article{arxiv.1909.07122,
title = {Meta-neural-network for Realtime and Passive Deep-learning-based Object Recognition},
author = {Jingkai Weng and Yujiang Ding and Chengbo Hu and Xue-feng Zhu and Bin Liang and Jing Yang and Jianchun Cheng},
journal= {arXiv preprint arXiv:1909.07122},
year = {2021}
}
备注
17 pages, 4 figures