在每次激活仅数个量子极限下运行的量子极限随机光学神经网络
光学
2025-02-04 v2 新兴技术
机器学习
神经与进化计算
量子物理
摘要
计算中的能量效率最终受噪声限制，而量子极限设定了基本噪声底。与数字电子神经网络相比，模拟物理神经网络有望提升能量效率。然而，它们通常在相对较高功率 regime 下运行，以使信噪比（SNR）较大，且噪声可被视为微扰。我们研究了光学神经网络，其中除最后一层外的所有层均在每个神经元仅可被单个光子激活的极限下运行，结果神经元激活上的噪声不再仅是微扰性的。我们表明，通过在训练中使用基于物理的神经元激活概率模型，尽管散粒噪声极高（SNR ~ 1），仍可进行准确的机器学习推理。我们利用隐藏层在单光子 regime 下运行的光学神经网络实验演示了 MNIST 手写数字分类，测试准确率达 98%；用于分类的光学能量对应每次乘加（MAC）操作仅 0.038 个光子。我们的物理感知随机训练方法也可能对非光学超低功耗硬件有用。
引用
@article{arxiv.2307.15712,
title = {Quantum-limited stochastic optical neural networks operating at a few quanta per activation},
author = {Shi-Yuan Ma and Tianyu Wang and Jérémie Laydevant and Logan G. Wright and Peter L. McMahon},
journal= {arXiv preprint arXiv:2307.15712},
year = {2025}
}
备注
65 pages, 28 figures