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。
❓
Q&A
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。
🏷️
