BriefGPT - AI 论文速递
·
基于全光全连接结构的片上混合衍射神经网络的 1 位量化实现
💡
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文探讨了光学全衍射深度神经网络（D2NN）在手写数字分类和图像处理中的应用，展示了其在图像分类准确度上的显著提升。研究提出了衍射图神经网络（DGNN）和金字塔结构的P-D2NN，优化了图像放大和缩小功能，并在多个数据集上验证了其高效性和准确性。
🎯
关键要点
- 光学全衍射深度神经网络（D2NN）在手写数字分类和成像透镜功能的学习中表现出色，能够在光速下执行复杂函数。
- D2NN在CIFAR-10测试图像上达到了61.14%和62.13%的盲测试准确率，创下了衍射光神经网络设计的最高推理准确度。
- 衍射图神经网络（DGNN）能够处理图结构数据，捕获节点邻域之间的复杂依赖性，并通过光速光传递消除非线性过渡函数。
- 金字塔结构的P-D2NN优化了单向图像放大和缩小的任务，能够在大范围的光照波长下保持其功能。
- 新提出的设备到系统硬件软件协同设计框架使得DONN在低精度光学设备上表现出显著优势。
- 大卷积核变形材料神经网络（LMNN）通过模型重新参数化和网络压缩提高了分类准确性并减少了计算延迟。
- 光学神经架构（ONA）在训练过程中考虑物理约束，导致了稳健的设计，能够抵抗量化噪声。
- 交错光学神经网络通过基于物理的训练框架和稀疏技术提高了数字仿真与实际部署之间的预测精度。
- 新的光学神经网络（ONN）框架模拟人眼视网膜中心附近的高分辨率，实现了图像分类估计的标量不变性。
❓
延伸问答
光学全衍射深度神经网络（D2NN）有什么应用？
D2NN在手写数字分类和图像处理方面表现出色，能够在光速下执行复杂函数。
衍射图神经网络（DGNN）如何处理图结构数据？
DGNN通过捕获节点邻域之间的复杂依赖性，并利用光速光传递消除非线性过渡函数来处理图结构数据。
金字塔结构的P-D2NN有什么优势？
P-D2NN优化了单向图像放大和缩小的任务，能够在大范围的光照波长下保持其功能。
新提出的设备到系统硬件软件协同设计框架有什么优势？
该框架使得DONN在低精度光学设备上表现出显著优势，并已在实验中验证。
大卷积核变形材料神经网络（LMNN）如何提高分类准确性？
LMNN通过模型重新参数化和网络压缩来提高分类准确性，并减少计算延迟。
光学神经架构（ONA）在训练中考虑了哪些因素？
ONA在训练过程中考虑了物理约束，导致了稳健的设计，能够抵抗量化噪声。
➡️
