Rubik 光学神经网络：具有物理感知旋转架构的多任务学习
机器学习
2023-05-03 v2 人工智能
光学
摘要
近来，推进光学神经网络（ONNs）的努力不断增多，其在功耗效率、并行性和计算速度方面为机器学习（ML）带来了显著优势。鉴于在计算速度和能效上的可观收益，将 ONNs 应用于医学传感、安全筛查、药物检测和自动驾驶备受关注。然而，由于可重构性实现的挑战，在 ONNs 上部署多任务学习（MTL）算法需要重建和复制物理衍射系统，这在实际应用场景中显著降低了能效与成本效益。本工作提出一种新颖的 ONNs 架构，即 RubikONNs，其利用光学系统的物理特性，通过类似旋转 Rubik's Cube 的物理硬件旋转来编码多个前馈函数。为优化 RubikONNs 上的 MTL 性能，提出了两种领域特定的物理感知训练算法 RotAgg 和 RotSeq。实验结果表明，与最先进方法相比，能效和成本效率提升超过 4，且精度下降微小。
引用
@article{arxiv.2304.12985,
title = {Rubik's Optical Neural Networks: Multi-task Learning with Physics-aware Rotation Architecture},
author = {Yingjie Li and Weilu Gao and Cunxi Yu},
journal= {arXiv preprint arXiv:2304.12985},
year = {2023}
}
备注
To appear at 32nd International Joint Conference on Artificial Intelligence (IJCAI'23)