用于衍射光学神经网络的物理感知可微离散协同设计
人工智能
2022-09-29 v1
摘要
衍射光学神经网络（DONNs）备受关注，因为与传统深度神经网络（DNNs）相比，它们在功耗效率、并行性和计算速度方面具有显著优势，而传统DNNs在数字平台上实现时存在固有局限。然而，将算法训练得到的物理模型参数逆向映射到具有离散值的真实光学器件是一项非平凡任务，因为现有光学器件具有非统一的离散电平和非单调特性。本工作提出了一种新颖的器件到系统的软硬件协同设计框架，能够针对跨层的任意实验测量的光学器件实现DONNs的高效物理感知训练。具体而言，采用Gumbel-Softmax实现从真实器件参数到DONNs前向函数的可微离散映射，其中DONNs中的物理参数可通过简单最小化ML任务的损失函数进行训练。结果表明，我们所提框架相比传统的基于量化的方法具有显著优势，尤其是在低精度光学器件下。最后，所提算法在低精度设置的物理实验光学系统中得到了充分验证。
引用
@article{arxiv.2209.14252,
title = {Physics-aware Differentiable Discrete Codesign for Diffractive Optical Neural Networks},
author = {Yingjie Li and Ruiyang Chen and Weilu Gao and Cunxi Yu},
journal= {arXiv preprint arXiv:2209.14252},
year = {2022}
}
备注
International Conference on Computer-Aided Design (ICCAD'2022) To appear