High-performance real-world optical computing trained by in situ gradient-based model-free optimization

要約

光コンピューティング システムは高速かつ低エネルギーのデータ処理を提供しますが、計算上の要求が厳しいトレーニングやシミュレーションと現実のギャップにおいて欠陥に直面しています。
光コンピューティング システムの計算効率の高い in situ トレーニングのために、モンテカルロ勾配推定アルゴリズムに基づく勾配ベースのモデルフリー最適化 (G-MFO) 手法を提案します。
このアプローチは、光コンピューティング システムをブラック ボックスとして扱い、損失を光コンピューティングの重みの確率分布に直接逆伝播させ、計算量が多く偏ったシステム シミュレーションの必要性を回避します。
回折光学コンピューティング システムに関する私たちの実験では、G-MFO が MNIST および FMNIST データセットでのハイブリッド トレーニングよりも優れたパフォーマンスを発揮することが示されています。
さらに、マーカーフリーの位相マップから画像フリーで高速に細胞を分類することを実証します。
私たちの手法のモデルフリーかつ高性能な性質は、計算リソースの需要が低いことと相まって、実験室でのデモンストレーションから実用的な実世界のアプリケーションへの光コンピューティングの移行を加速する道を開きます。

要約(オリジナル)

Optical computing systems provide high-speed and low-energy data processing but face deficiencies in computationally demanding training and simulation-to-reality gaps. We propose a gradient-based model-free optimization (G-MFO) method based on a Monte Carlo gradient estimation algorithm for computationally efficient in situ training of optical computing systems. This approach treats an optical computing system as a black box and back-propagates the loss directly to the optical computing weights’ probability distributions, circumventing the need for a computationally heavy and biased system simulation. Our experiments on diffractive optical computing systems show that G-MFO outperforms hybrid training on the MNIST and FMNIST datasets. Furthermore, we demonstrate image-free and high-speed classification of cells from their marker-free phase maps. Our method’s model-free and high-performance nature, combined with its low demand for computational resources, paves the way for accelerating the transition of optical computing from laboratory demonstrations to practical, real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google