プラグ可能な回折ニューラルネットワーク（P-DNN）：内部プラグインを切り替えることによって、様々なタスクを認識するために適用できるカスケードメタサーフェスを利用する一般的なパラダイム

P-DNNは、内部プラグインを切り替えることによって、様々なタスクを認識するために利用されるカスケードメタサーフェスを持つ一般的なパラダイムです

ディープラーニングは、人間の脳に触発された機械学習技術であり、画像処理、画像認識、音声認識、言語翻訳など、さまざまな領域で応用されています。しかし、電子コンピュータに大きく依存しており、計算上の制約やフォンノイマンアーキテクチャによるパフォーマンスのボトルネックや高いエネルギー消費を引き起こします。光ニューラルネットワークは、光を最適化し、高速で並列かつエネルギー効率の良い処理を実現することで、これらの問題に対する解決策を提供します。

著者らは、ONNの再構成性の問題に対する革新的な解決策として、P-DNNを紹介しています。新しいタスクが発生した場合に完全な再学習が必要な従来の方法とは異なり、P-DNNはネットワーク内の差し替え可能な値を交換することで認識タスクを切り替えることができます。この機能により、ネットワークの柔軟性が向上し、計算リソースの消費とトレーニング時間を効果的に削減することができます。研究者らは、手書き数字およびファッションの入力を使用して、二層のカスケードメタサーフェスを使用してこのアプローチを実証しています。

P-DNNアーキテクチャには、共通の前処理層と代替のタスク固有の分類層が含まれています。システムは光学的回折理論に基づいてトレーニングされ、各層の光ニューロンはメタサーフェス内のメタアトムによって表されます。トレーニングフェーズでは、確率的勾配降下法と誤差逆伝播法を使用して、メタサーフェスのコンポーネントのパラメータを最適化します。この記事では、転移学習に基づく最適化フローが強調されており、システムがさまざまな分類タスクに対して高い精度を達成できるようになっています。P-DNNフレームワークを使用した数字およびファッションの分類タスクの結果が示されています。シミュレーションおよび実験タスクの両方で、90％以上の高い精度が示されています。

• 「RAVENに会ってください：ATLASの制限に対処する検索強化型エンコーダーデコーダーランゲージモデル」
• アーサーがベンチを発表：仕事に最適な言語モデルを見つけるためのAIツール
• 「ベイズフローネットワークの公開：生成モデリングの新たなフロンティア」

差し替え可能な回折ニューラルネットワークは、光ニューラルネットワークを活用して従来のディープラーニングの制約を解消するソリューションとなります。これにより、分類タスクに限定されず、自動運転における実物体検出や顕微鏡画像のインテリジェントなオブジェクトフィルタリングなど、さまざまな具体的なタスクに対応することができます。エネルギー効率の高い、高い計算能力を持つシステムを提供します。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!