文献

J-GLOBAL ID：201902239814321327   整理番号：19A2560754

InP SOAベースのフォトニック集積交差接続によるディープニューラルネットワーク【JST・京大機械翻訳】

Deep Neural Network Through an InP SOA-Based Photonic Integrated Cross-Connect

著者 (3件)： Shi Bin (Institute for Photonic Integration, Eindhoven University of Technology, Eindhoven, The Netherlands) ,  Calabretta Nicola (Institute for Photonic Integration, Eindhoven University of Technology, Eindhoven, The Netherlands) ,  Stabile Ripalta (Institute for Photonic Integration, Eindhoven University of Technology, Eindhoven, The Netherlands)
資料名： IEEE Journal of Selected Topics in Quantum Electronics  (IEEE Journal of Selected Topics in Quantum Electronics)
巻： 26  号： 1  ページ： ROMBUNNO.7701111.1-11  発行年： 2020年 
JST資料番号： W0734A  ISSN： 1077-260X  CODEN： IJSQEN  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： フォトニック神経形態計算は,それが大量の並列性と低消費電力を提供することを約束するので,関心を高めている。本論文では,半導体光増幅器技術に基づいて,最大8個のオンチップ重み付き付加回路が共集積化された8個のIndium Phosphide交差接続チップを介したフィードフォワード神経回路網を初めて実証した。ニューロン当たりの重み較正を行い,0.08より小さい正規化二乗平均誤差と27dBの最良の事例ダイナミックレンジを得た。1出力加重加算演算への4入力はオンチップで実行され,ニューロンの一部であり,その非線形関数はソフトウェアを介して実行される。3つのフィードバックループ最適化手順を示し,出力ニューロン精度を最大55%改善できることを示した。ニューラルネットワークとしてのこの技術の開発を,Iris花分類問題を解決するために訓練された3層フォトニック深いニューラルネットワークを実行することによって評価した。計算機を通して得られた95%の精度に関して,85.8%の予測精度を達成した。このシステムにおける誤差発展の包括的解析は,電気/光学変換が誤差寄与を支配することを明らかにした。これは,すべての光学的アプローチが将来の神経形態計算ハードウェア設計に望ましいことを示唆する。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *ニューラルネットワーク ,  ハードウェア設計 ,  ダイナミックレンジ ,  ソフトウェア ,  加算 ,  ニューロン ,  神経回路網 ,  フィードフォワード ,  正規化
準シソーラス用語： フィードバックループ ,  加重 ,  オンチップ ,  神経 ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 光集積回路,集積光学  (BD06050D) ,  半導体レーザ  (BD04070L)

タイトルに関連する用語 (5件)： InP ,  SOA ,  集積 ,  交差 ,  ディープニューラルネットワーク