跳到正文
原文
arXiv · Neural and Evolutionary Computing· Shi-Yuan Ma, Xingjian Bai, Ryan Hamerly 等 4 人
· 2 天前

光学神经网络应按功能评估,而非仅按物理特性评估

Optical Neural Networks Should Be Evaluated by Function, Not Only Physics

预印本 · 尚未经过同行评审

AI 导读

提出按功能评估光学神经网络的三步方法,用Expressivity Card对比性能匹配的数字模块。

摘要 · AI 翻译

光学神经网络(ONNs)作为机器学习的替代平台正受到广泛关注。在 ONN 中,光学模块通常接管数字机器学习流水线中的部分计算。光学模块自身完成了多少任务,又对所声称的系统级优势(如吞吐量或能耗)贡献了多少?本文提出一种简单、面向功能的评估方法。无论其内部物理机制如何,光学模块对周围数字流水线而言表现为实数张量之间的映射。因此我们分三步对其进行评估:(i)在流水线中界定其边界,即输入和输出均为实数张量;(ii)用标准数字模块替换它,以找出在同一任务和指标上与光学系统性能相匹配的数字模块;(iii)针对每次推理,相对于性能匹配的数字模块,陈述系统级声明,如速度或能耗。我们将步骤(i)和(ii)总结为一张 Expressivity Card,并演示其在已发表的 ONN 系统上的使用。这有助于分离光学模块的贡献,并为评估其所声称的系统级优势提供具体的数字参照,而无需理解其物理机制。虽然我们聚焦于光学系统这一最突出的例子,但同样的方法适用于机器学习中任何物理模拟计算平台,只要物理模块接管了数字流水线的一部分。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Neural and Evolutionary Computing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。