用于衍射光学神经网络的物理感知粗糙度优化
机器学习
2023-04-05 v1 新兴技术
神经与进化计算
摘要
作为 CMOS 之外的代表性下一代器件/电路技术，衍射光学神经网络（DONN）由于极快的计算速度（光速）和低能耗，相比传统深度神经网络已展现出可观优势。然而，由于衍射层内的像素间相互作用，DONN 数值建模与物理光学器件部署之间存在失配，即显著的预测精度损失。本工作中，我们提出一种物理感知衍射光学神经网络训练框架，以减小数值建模与实际部署之间的性能差异。具体而言，我们在训练过程中提出粗糙度建模正则化，并集成物理感知稀疏化方法，以引入相位掩模的稀疏性，从而减少衍射层中相邻像素间的尖锐相位变化。我们进一步开发 周期优化以降低相位掩模的粗糙度，从而保持 DONN 的性能。实验结果表明，与现有最优方法相比，我们的物理感知优化在 MNIST、FMNIST、KMNIST 和 EMNIST 上分别仅以精度损失为代价实现了 、、 和 的粗糙度降低。
引用
@article{arxiv.2304.01500,
title = {Physics-aware Roughness Optimization for Diffractive Optical Neural Networks},
author = {Shanglin Zhou and Yingjie Li and Minhan Lou and Weilu Gao and Zhijie Shi and Cunxi Yu and Caiwen Ding},
journal= {arXiv preprint arXiv:2304.01500},
year = {2023}
}
备注
This paper is accepted by the Design Automation Conference (DAC), 2023