Redes Neuronales Difractivas Enchufables (P-DNN) Un Paradigma General que Recurre a las Metasuperficies en Cascada que Puede Aplicarse para Reconocer Diversas Tareas Cambiando los Plugins Internos
Redes Neuronales Difractivas Enchufables (P-DNN) Un Paradigma General para Reconocer Tareas Cambiando Plugins Internos
El método de aprendizaje profundo, una técnica de aprendizaje automático inspirada en el cerebro humano, tiene aplicaciones en varios dominios, como el procesamiento de imágenes, el reconocimiento de imágenes, el reconocimiento de voz y la traducción de idiomas. Sin embargo, depende en gran medida de las computadoras electrónicas, que tienen límites computacionales, y debido a la arquitectura de von Neumann, lo que conduce a cuellos de botella en el rendimiento y un alto consumo de energía. Las redes neuronales ópticas optimizan la luz y ofrecen soluciones a estos problemas al permitir un consumo de alta velocidad, paralelo y eficiente en energía.
Los autores han presentado P-DNN como una solución innovadora a los problemas de reconfigurabilidad de ONNs. A diferencia de los métodos tradicionales que requieren un entrenamiento completo cuando surge una nueva tarea, P-DNN puede cambiar las tareas de reconocimiento intercambiando los valores enchufables en la red. Esta característica mejora la flexibilidad del diseño de la red al reducir eficazmente el consumo de recursos informáticos y el tiempo de entrenamiento. Los investigadores han utilizado metasuperficies en cascada de dos capas para demostrar el enfoque utilizando dígitos escritos a mano y moda como entradas, respectivamente.
La arquitectura de P-DNN incluye una capa de preprocesamiento común y capas de clasificación específicas de tareas alternativas. El sistema se entrena en función de la teoría de la difracción óptica, siendo cada neurona óptica de cada capa representada por meta-átomos en las metasuperficies. La fase de entrenamiento implica la optimización de los parámetros de los componentes de la metasuperficie utilizando métodos de descenso de gradiente estocástico y retropropagación de errores. El artículo destaca el flujo de optimización en el aprendizaje de transferencia, lo que permite que el sistema logre una alta precisión para diversas tareas de clasificación. El artículo presenta resultados para tareas de clasificación de dígitos y moda utilizando el marco de trabajo P-DNN. Tanto las tareas de simulación como las experimentales muestran altas precisiones, más del 90% para ambas tareas.
- OLAP vs. OLTP Un análisis comparativo de los sistemas de procesamiento de datos
- ¿Qué es la Inteligencia Artificial Estrecha (ANI)?
- Conoce a RAVEN un modelo de lenguaje codificador-decodificador con mejora en la recuperación que aborda las limitaciones de ATLAS.
Las redes neuronales difractivas enchufables actúan como una solución a las limitaciones del aprendizaje profundo tradicional aprovechando las redes neuronales ópticas. Pueden adaptarse a una variedad de tareas específicas, no solo a tareas de clasificación. Ofrecen sistemas computacionales de alto rendimiento y eficiencia energética para tareas reales como la detección de objetos en la conducción autónoma y el filtrado inteligente de objetos para la microscopía.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Búsqueda autónoma de información visual con modelos de lenguaje grandes
- ¿Tus características son importantes? No significa que sean buenas
- Meer Pyrus Base Una nueva plataforma de código abierto basada en Python para la simulación bidimensional (2D) de RoboCup Soccer
- BERT vs GPT Comparando a los gigantes de NLP
- Un tutorial de variograma amigable para científicos de datos para cuantificar la continuidad espacial
- Los 10 mejores generadores de códigos QR de IA en 2023
- IID Significado e Interpretación para Principiantes