Photonic Compute-in-Wire: Remotely Driven Photonic Deep Neural Network with a Single Nonlinear Loop
Notice bibliographique
Résumé
The development of deep learning has motivated the advancement of unconventional computing that leverages analog physical systems such as analog electronics, spintronics, and photonics. These technologies have also led to the development of unique computational paradigms harnessing the features of analog devices, including compute-in-memory for nonvolatile devices and compute-in-sensor for analog electronics. What, then, are the computational paradigms that can exploit the characteristics of photonics? Optical computing has emerged as a promising candidate as it offers low-latency and low-power computation by utilizing the inherent parallelism of light. Additionally, the low-loss medium of optical fibers allows for the transmission of information over long distances. In this paper, we experimentally demonstrate a remotely driven optical neural network that combines these advantageous features. Namely, computations can be executed with data transfer over a photonic network, which provides a computational paradigm named photonic compute-in-wire. As a demonstration, we constructed an optoelectronic benchtop with a 20-km fiber access line. To facilitate the implementation of this concept, we extended the folded-in-time deep neural network (FiT-DNN) approach, which utilizes a single delay line with a nonlinear device, a dispersive element, and a modulator. This allows the insertion of a photonic DNN within a single transmission line. The parameters of our constructed photonic FiT-DNN were trained by using a digital twin of nonlinear optoelectronic dynamics. Through our benchmark experiments, we confirmed good accuracy for image recognition tasks. Our approach broadens the opportunities to utilize optical computation from local edge computing to in-network computing for low-latency and low-energy computation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».