机构名称：
¥ 1.0
摘要。由于限制了诸如耗电耗电和可扩展性之类的限制，因此对较大的机器学习模型的培训和推断需求不断增加。光学器件是提供较低功率计算的有前途的竞争者，因为通过非吸收介质的光传播是无损操作。但是，要用光进行有用的高效计算，在光学上产生和控制非线性是一种仍然难以捉摸的必要性。多模纤维（MMF）已证明它们可以提供平均功率的微小效应，同时保持并行性和低损失。我们提出了一种光学神经网络体系结构，该体系结构通过通过波前形状控制MMF中超短脉冲的传播来执行非线性光学计算。使用替代模型，发现最佳参数集可以用电子计算机最少利用来为不同的任务编程此光学计算机。与同等执行的数字神经网络相比，模型参数数量的显着降低了97％，这导致总体上99％的数字操作减少。我们进一步证明，还可以使用竞争精确的精度执行完全的光学实现。
编程非线性传播，用于有效的光学学习机
主要关键词
相关文件推荐
