OAMF: Optics-Accelerated Multimodal Learning with Markov Temporal Priors and Fourier Regularization
Notice bibliographique
Résumé
OAMF (Optics-Accelerated Multimodal Learning with Markov Temporal Priors and Fourier Regularization), a hybrid optical-digital framework designed for sequence comprehension spanning visual, auditory, textual, and inertial sensor modalities. OAMF tackles three enduring issues in multimodal learning: elevated latency and energy consumption for high-resolution visual processing, degradation of temporal coherence due to asynchronous or absent modalities, and frequency-domain discrepancies that undermine cross-modal alignment. The visual stream undergoes preprocessing using an optical neural front-end that executes spatial Fourier transforms and convolutions in hardware, producing near-zero-latency feature maps that are digitized and minimally adjusted by compact residual blocks. A Markov state-space layer preserves temporal consistency in latent dynamics and facilitates smooth deterioration in the absence of inputs. Training incorporates Fourier-domain consistency losses to align spectra across modalities and a physics-in-the-loop regularizer that aligns measured optical transfer functions while adhering to phase quantization. OAMF is engineered to diminish end-to-end latency and energy consumption while enhancing accuracy and temporal stability across representative multimodal activities, including classification, retrieval, and question answering. Ablations delineate the roles of the optical front-end, Markov priors, and spectral regularization.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».