Optical Convolution Processing Based on an Amplified Fiber-Optic Recirculating Loop
Notice bibliographique
Résumé
Convolution processing plays a pivotal role in convolutional neural networks (CNNs), which are widely utilized in image recognition, signal processing, and other applications that demand high computational speed and efficiency. To enhance the computational speed, optical convolution processing (OCP), which leverages the inherent parallelism and high speed of optical systems, has emerged as an effective solution. However, existing OCP implementations often encounter scalability challenges, as most systems are limited to fixed kernel sizes or require substantial hardware expansion to support larger kernels. In this work, we propose an approach to implementing OCP capable of handling various kernel sizes based on an amplified fiber-optic recirculating loop without changing the configuration of the system. For an input data sequence, the multiplication of the input data with a kernel having nn weights is implemented by applying the input data and the kernel weights to a Mach-Zehnder modulator (MZM), to allow the weighted input data to recirculate in the amplified fiber-optic loop nn-11 times. The weighted and time-delayed data are summed at a photodetector (PD), and the convolution operation is completed. The proposed system is evaluated by a proof-of-concept experiment, where convolution operations are performed on the MNIST and fashion-MNIST datasets to generate feature maps using kernels with different sizes. A computational speed of 16 giga operations per second (GOPS) with 92.8% and 73.6% classification accuracies are achieved, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».