Nonlinear Processing with Linear Optics

要約

ディープ ニューラル ネットワークは、多大な電子計算能力を犠牲にしてでも、複数のデータ処理層を活用して隠れた表現を抽出することにより、目覚ましい進歩を遂げてきました。
エネルギー効率と速度を向上させるために、ニューラル ネットワークの光学的実装は、光帯域幅と光相互接続のエネルギー効率の利点を活用することを目的としています。
低出力の光非線形性が存在しない場合、多層光ネットワークの実装における課題は、電子部品に頼らずに複数の光層を実現することにあります。
この研究では、データで表される散乱ポテンシャルと散乱場の間の非線形関係を利用することで、プログラム可能な線形変換と非線形変換を低い光パワーで同時に合成できる多重散乱を使用する新しいフレームワークを紹介します。
理論的および実験的研究により、多重散乱によってデータを繰り返すことにより、低出力の連続波光での非線形光学コンピューティングが可能になることが示されています。
さらに、この光学フレームワークのスケーリングは、最先端のディープ デジタル ネットワークと同様にべき乗則に従うことが経験的にわかりました。

要約(オリジナル)

Deep neural networks have achieved remarkable breakthroughs by leveraging multiple layers of data processing to extract hidden representations, albeit at the cost of large electronic computing power. To enhance energy efficiency and speed, the optical implementation of neural networks aims to harness the advantages of optical bandwidth and the energy efficiency of optical interconnections. In the absence of low-power optical nonlinearities, the challenge in the implementation of multilayer optical networks lies in realizing multiple optical layers without resorting to electronic components. In this study, we present a novel framework that uses multiple scattering that is capable of synthesizing programmable linear and nonlinear transformations concurrently at low optical power by leveraging the nonlinear relationship between the scattering potential, represented by data, and the scattered field. Theoretical and experimental investigations show that repeating the data by multiple scattering enables non-linear optical computing at low power continuous wave light. Moreover, we empirically found that scaling of this optical framework follows the power law as in state-of-the-art deep digital networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google