机构名称：
¥ 1.0
光子神经网络（PNN）已成为传统电子神经网络的有前途的替代品。然而，PNN的培训，尤其是在传统实践中被认为是高度有效的分析梯度下降算法的芯片实施，这仍然是一个重大挑战，因为物理系统并非差异。提出了诸如无梯度和数值梯度方法之类的训练方法，但它们却没有过度测量和有限的可伸缩性。最新的原位培训方法也受到成本挑战，需要昂贵的在线显示器和频繁的光学I/O切换。在这里，提出了一种物理感知的分析梯度培训（PAGT）方法，该方法在分裂和串联策略中计算分析梯度，从而克服了芯片在PNNS训练中造成的不良性引起的差异。在芯片上实施了多种训练案例，尤其是生成对抗网络，与原位方法相比，时间消耗显着降低（从31 h到62分钟），能源消耗降低了四倍。结果为训练混合光子 - 数字电子神经网络提供了低成本，实用和加速的解决方案。
二氧化碳在3D混凝土印刷结构的特性上的潜力
主要关键词
相关文件推荐
