PsiKet Academy

#کیو_نیوز
📌بهره‌وری انرژی در شبکه‌های عصبی نوری با محدودیت کوانتومی

🔔کارایی انرژی در محاسبات همواره به نویز محدود می‌شود، و محدودیت‌های کوانتومی سطح پایه‌ای نویز را تعیین می‌کنند. شبکه‌های عصبی فیزیکی آنالوگ در مقایسه با شبکه‌های عصبی دیجیتال الکترونیکی، پتانسیل بالایی برای بهبود بهره‌وری انرژی دارند. با این حال، این شبکه‌ها معمولاً در شرایطی با توان بالا عمل می‌کنند تا نسبت سیگنال به نویز (SNR) بزرگ‌تر از ۱۰ باشد، و نویز تنها به‌عنوان یک اختلال جزئی در نظر گرفته شود.

💡در این پژوهش، شبکه‌های عصبی نوری‌ای مورد بررسی قرار گرفته‌اند که در آن‌ها تمامی لایه‌ها به جز لایه آخر، در شرایطی عمل می‌کنند که هر نورون می‌تواند تنها با یک فوتون فعال شود. در نتیجه، نویز در فعال‌سازی نورون‌ها دیگر صرفاً یک اختلال جزئی نیست.

✅یافته‌های کلیدی
🔹مدل‌سازی مبتنی بر فیزیک: با استفاده از یک مدل احتمالاتی مبتنی بر فیزیک برای فعال‌سازی نورون‌ها در زمان آموزش، می‌توان یادگیری ماشین را با دقت بالا انجام داد، حتی در شرایطی که نویز شات بسیار زیاد است (SNR ~ 1).
🔸عملکرد آزمایشی: در این مطالعه، یک شبکه عصبی نوری با یک لایه پنهان که در رژیم تک‌فوتونی عمل می‌کند، برای طبقه‌بندی ارقام دست‌نویس MNIST استفاده شد. نتیجه، دستیابی به دقت 98 درصد در آزمایش بود.
🔹بهره‌وری انرژی: انرژی نوری مورد استفاده برای این طبقه‌بندی به 0.038 فوتون برای هر عملیات ضرب-جمع (MAC) کاهش یافت.

🎯چشم‌انداز
این روش آموزش مبتنی بر نویز فیزیکی ممکن است در سخت‌افزارهای غیرنوری با توان بسیار پایین نیز مفید باشد. این پیشرفت می‌تواند راه را برای توسعه سیستم‌های یادگیری ماشین با بهره‌وری انرژی فوق‌العاده بالا هموار کند.

📚لینک دسترسی به مقاله
〰️〰️〰️〰️〰️〰️〰️〰️
⭐️@Psiket_Admin
Instagram | Telegram | Linkedin

Nature

Quantum-limited stochastic optical neural networks operating at a few quanta per activation

Nature Communications - Neural networks on analog physical devices often struggle with low computational precision. Here, authors developed an approach that enables neural networks to effectively...

www.group-telegram.com/us/psiket_academy.com/868

776 viewsedited  Jan 7 at 18:35

#کیو_نیوز
📌بهره‌وری انرژی در شبکه‌های عصبی نوری با محدودیت کوانتومی

🔔کارایی انرژی در محاسبات همواره به نویز محدود می‌شود، و محدودیت‌های کوانتومی سطح پایه‌ای نویز را تعیین می‌کنند. شبکه‌های عصبی فیزیکی آنالوگ در مقایسه با شبکه‌های عصبی دیجیتال الکترونیکی، پتانسیل بالایی برای بهبود بهره‌وری انرژی دارند. با این حال، این شبکه‌ها معمولاً در شرایطی با توان بالا عمل می‌کنند تا نسبت سیگنال به نویز (SNR) بزرگ‌تر از ۱۰ باشد، و نویز تنها به‌عنوان یک اختلال جزئی در نظر گرفته شود.

💡در این پژوهش، شبکه‌های عصبی نوری‌ای مورد بررسی قرار گرفته‌اند که در آن‌ها تمامی لایه‌ها به جز لایه آخر، در شرایطی عمل می‌کنند که هر نورون می‌تواند تنها با یک فوتون فعال شود. در نتیجه، نویز در فعال‌سازی نورون‌ها دیگر صرفاً یک اختلال جزئی نیست.

✅یافته‌های کلیدی
🔹مدل‌سازی مبتنی بر فیزیک: با استفاده از یک مدل احتمالاتی مبتنی بر فیزیک برای فعال‌سازی نورون‌ها در زمان آموزش، می‌توان یادگیری ماشین را با دقت بالا انجام داد، حتی در شرایطی که نویز شات بسیار زیاد است (SNR ~ 1).
🔸عملکرد آزمایشی: در این مطالعه، یک شبکه عصبی نوری با یک لایه پنهان که در رژیم تک‌فوتونی عمل می‌کند، برای طبقه‌بندی ارقام دست‌نویس MNIST استفاده شد. نتیجه، دستیابی به دقت 98 درصد در آزمایش بود.
🔹بهره‌وری انرژی: انرژی نوری مورد استفاده برای این طبقه‌بندی به 0.038 فوتون برای هر عملیات ضرب-جمع (MAC) کاهش یافت.

🎯چشم‌انداز
این روش آموزش مبتنی بر نویز فیزیکی ممکن است در سخت‌افزارهای غیرنوری با توان بسیار پایین نیز مفید باشد. این پیشرفت می‌تواند راه را برای توسعه سیستم‌های یادگیری ماشین با بهره‌وری انرژی فوق‌العاده بالا هموار کند.

📚لینک دسترسی به مقاله
〰️〰️〰️〰️〰️〰️〰️〰️
⭐️@Psiket_Admin
Instagram | Telegram | Linkedin

BY PsiKet Academy