TOPS‐Speed Reconfigurable Photonic Transposed Convolution Accelerator for Generative Tasks
Notice bibliographique
Résumé
ABSTRACT Transposed convolution, crucial in large‐parameter generative models ranging from content creation to autonomous driving, imposes substantial demands on GPU memory and energy consumption in electronic processors. Electronic processors, fundamentally limited by the von Neumann architecture and further hindered by silicon‐based quantum tunneling effects, struggle to meet the stringent real‐time requirements of modern generative workloads. In contrast, optical computing—exploiting ultra‐wide bandwidth and ultra‐low power consumption—offers a promising alternative for high‐speed transposed convolution in next‐generation AI. Here, we introduce a high‐speed and reconfigurable photonic transposed convolution accelerator (PTCA). By interleaving wavelength, temporal, and spatial dimensions and leveraging an integrated Kerr microcomb for data‐dimension expansion, the PTCA achieves tera operations per second (TOPS) with 100% bit efficiency. Experiments demonstrate a processing speed of 1.026 TOPS, making it, to the best of our knowledge, the fastest reconfigurable PTCA to date. In Fashion‐MNIST reconstruction tasks, this system achieves a mean squared error (MSE) of 0.0062 without any additional post‐processing by electronic fully connected layers. Our work thus establishes a high‐speed, reconfigurable photonic paradigm for accelerating future generative AI.
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 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».