インターネットエッジ上の非局在フォトニック深層学習【JST・京大機械翻訳】

Sludds Alexander; Bandyopadhyay Saumil; Chen Zaijun; Zhong Zhizhen; Cochrane Jared; Bernstein Liane; Bunandar Darius; Dixon P. Ben; Hamilton Scott A.; Streshinsky Matthew; Novack Ari; Baehr-Jones Tom; Hochberg Michael; Ghobadi Manya; Hamerly Ryan; Englund Dirk

プレプリント

J-GLOBAL ID：202202216609754424 整理番号：22P0302116

インターネットエッジ上の非局在フォトニック深層学習【JST・京大機械翻訳】

Delocalized Photonic Deep Learning on the Internet's Edge

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (16件)： , , , , , , , , , , , , , , ,
資料名：
発行年： 2022年03月10日プレプリントサーバーでの情報更新日： 2022年04月01日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深層ニューラルネットワーク(DNN)の進歩は,科学と技術の変換である。しかし,スマートフォンやセンサのような低電力デバイスにおける最も強力なDNNs限界配置の計算要求が増大し,この傾向はモノのインターネット(IoT)デバイスへの同時移動により加速される。多くの努力は,電力消費を低くするのに進行中であるが,基本的ボトルネックは,神経形態,アナログメモリおよびフォトニックメッシュを含むアナログアプローチに対してさえ,マトリックス代数におけるエネルギー消費により残されている。ここでは,エッジデバイス上の重みメモリアクセスにより,行列代数に必要なエネルギーを急激に低減する新しい手法を導入し,大きさエネルギーおよび待ち時間低減の次数を可能にした。本アプローチのコアでは,エッジデバイス上の非局在化,光学的に加速された行列代数のためにDNNを分散させる新しい概念である。シリコンフォトニックスマートトランシーバを用いて,ネットキャストと呼ばれるこの方式がエネルギー消費を劇的に低減することを実験的に実証した。単一光子検出器を用いて,98.8%の正確な画像認識と<1光子/多重層に対して,光エネルギーの40aJ/多重プライを持つ光子飢餓環境における動作を実証した。さらに,このシステムの現実的な展開を示し,ボストンエリアファイバネットワークにおいて,展開された光ファイバの86km以上の帯域幅の3THzで画像を分類した。本手法は,現代のディジタルエレクトロニクスおよび電力消費に匹敵する速度を有するエッジデバイスの新世代を計算でき,これは,桁のオーダーである。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

半導体集積回路 , 人工知能

, ,

前のページに戻る