Pluggable Diffractive Neural Networks (P-DNN) Un paradigma generale che ricorre alle metasuperfici in cascata che può essere applicato per riconoscere varie attività mediante la commutazione di plugin interni
P-DNN è un paradigma che utilizza le metasuperfici in cascata per riconoscere diverse attività tramite plugin interni.
Il metodo di apprendimento approfondito, una tecnica di apprendimento automatico ispirata al cervello umano, ha applicazioni in vari ambiti, come l’elaborazione delle immagini, il riconoscimento delle immagini, il riconoscimento del parlato e la traduzione linguistica. Tuttavia, si basa pesantemente sui computer elettronici, che hanno limiti di calcolo, e a causa dell’architettura von Neumann, che porta a colli di bottiglia nelle prestazioni e ad un elevato consumo di energia. Le reti neurali ottiche ottimizzano la luce e offrono soluzioni a questi problemi, consentendo un consumo ad alta velocità, parallelo ed efficiente dal punto di vista energetico.
Gli autori hanno introdotto P-DNN come soluzione innovativa ai problemi di riconfigurabilità delle ONN. A differenza dei metodi tradizionali che richiedono una riallenamento completo quando si presenta un nuovo compito, P-DNN può passare da un compito di riconoscimento all’altro scambiando i valori inseribili nella rete. Questa caratteristica migliora la flessibilità del design della rete riducendo efficacemente il consumo di risorse di calcolo e il tempo di addestramento. I ricercatori hanno utilizzato metasuperfici a cascata a due strati per dimostrare l’approccio utilizzando rispettivamente cifre scritte a mano e moda come input.
L’architettura P-DNN include uno strato di preelaborazione comune e strati di classificazione specifici per compiti alternativi. Il sistema viene addestrato sulla base della teoria della diffrazione ottica, con ogni neurone ottico dello strato rappresentato da meta-atomi nelle metasuperfici. La fase di addestramento prevede l’ottimizzazione dei parametri dei componenti delle metasuperfici utilizzando metodi di discesa del gradiente stocastico e backpropagation dell’errore. L’articolo evidenzia un flusso di ottimizzazione sul trasferimento di apprendimento, consentendo al sistema di ottenere un’alta precisione per vari compiti di classificazione. L’articolo presenta risultati per i compiti di classificazione di cifre e moda utilizzando il framework P-DNN. Sia le simulazioni che i compiti sperimentali mostrano elevate accuratezze, oltre il 90% per entrambi i compiti.
- Questa ricerca sull’IA propone TeCH per ricostruire una figura umana vestita in 3D realistica da un’unica immagine con geometria completa dettagliata del corpo e texture di alta qualità.
- OLAP vs. OLTP Un’Analisi Comparativa dei Sistemi di Elaborazione dei Dati
- Cos’è l’Intelligenza Artificiale Ristretta (ANI)?
Le reti neurali diffrattive inseribili agiscono come soluzione ai limiti dell’apprendimento approfondito tradizionale sfruttando le reti neurali ottiche. Possono adattarsi a una serie di compiti specifici, non solo limitati ai compiti di classificazione. Offrono sistemi computazionali ad alta efficienza energetica per compiti reali come il rilevamento di oggetti nella guida autonoma e il filtraggio intelligente degli oggetti per l’imaging al microscopio.
