High-performance real-world optical computing trained by in situ 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現場トレーニングのためのスコア勾配推定アルゴリズムに基づくモデルフリー最適化 (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。
単層回折光学コンピューティング システムでの実験では、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わかりました。
さらに、位相マップから画像を使用せずに細胞を高速に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促進します。

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 model-free optimization (MFO) method based on a score 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 a single-layer diffractive optical computing system show that MFO outperforms hybrid training on the MNIST and FMNIST datasets. Furthermore, we demonstrate image-free and high-speed classification of cells from their phase maps. Our method’s model-free and high-performance nature, combined with its low demand for computational resources, expedites the transition of optical computing from laboratory demonstrations to real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google