Подключаемые дифракционные нейронные сети (P-DNN) общий подход, использующий каскадные метаспирали, который может быть применен для распознавания различных задач путем переключения внутренних плагинов

Подключаемые дифракционные нейронные сети (P-DNN) - подход, использующий каскадные метаспирали, для распознавания различных задач путем переключения плагинов.

Метод глубокого обучения, техника машинного обучения, вдохновленная человеческим мозгом, имеет применение в различных областях, таких как обработка изображений, распознавание изображений, распознавание речи и перевод языка. Однако он полностью зависит от электронных компьютеров, которые имеют вычислительные ограничения, и из-за архитектуры фон Неймана возникают проблемы с производительностью и высоким энергопотреблением. Оптические нейронные сети оптимизируют свет и предлагают решения для этих проблем, обеспечивая высокоскоростные, параллельные и энергоэффективные вычисления.

Авторы предложили P-DNN как инновационное решение проблемам переконфигурируемости ОНС. В отличие от традиционных методов, которые требуют полного повторного обучения при появлении новой задачи, P-DNN может переключать задачи распознавания, меняя подключаемые значения в сети. Эта функция повышает гибкость проектирования сети, эффективно снижая потребление вычислительных ресурсов и время обучения. Исследователи использовали двухуровневые каскадные метасплиты для демонстрации подхода с использованием рукописных цифр и моды, соответственно.

Архитектура P-DNN включает общий слой предварительной обработки и альтернативные задаче-специфические слои классификации. Система обучается на основе оптической теории дифракции, при этом каждый оптический нейрон слоя представлен мета-атомами на мета-поверхностях. Фаза обучения включает оптимизацию параметров компонентов метаповерхности с использованием стохастического градиентного спуска и методов обратного распространения ошибки. В статье подчеркивается оптимизационный процесс обучения передачей, позволяющий системе достигать высокой точности при различных задачах классификации. В статье представлены результаты для задач классификации цифр и моды с использованием рамочной структуры P-DNN. Как симуляционные, так и экспериментальные задачи показывают высокую точность, более 90% для обеих задач.

Подключаемые дифракционные нейронные сети являются решением ограничений традиционного глубокого обучения, используя оптические нейронные сети. Они могут решать широкий спектр конкретных задач, не ограничиваясь только задачами классификации. Они предлагают энергоэффективные, вычислительно мощные системы для реальных задач, таких как обнаружение объектов в автономном движении и интеллектуальная фильтрация объектов для микроскопического изображения.