Jaringan diffractive meningkatkan akurasi klasifikasi gambar optik
Spotlight

Jaringan diffractive meningkatkan akurasi klasifikasi gambar optik


Sistem D2NN ansambel. (Kiri) Ansambel D2NN, yang terdiri dari 14 jaringan difraksi individu yang memiliki jenis filter berbeda yang ditempatkan di antara bidang objek dan lapisan difraksi pertama. Skor kelas ensembel berasal dari penjumlahan tertimbang dari skor kelas yang diperoleh dari D2NN individu. (Kanan) Akurasi klasifikasi ensembel adalah 16,6% lebih tinggi dari akurasi klasifikasi rata-rata D2NN konstituen. Kredit: Institut Teknik UCLA untuk Kemajuan Teknologi

Baru-baru ini, minat dalam platform komputasi optik telah muncul kembali untuk aplikasi yang terkait dengan kecerdasan buatan. Optik sangat cocok untuk mewujudkan model jaringan saraf karena kecepatan tinggi, bandwidth besar, dan interkonektivitas tinggi dari pemrosesan informasi optik. Diperkenalkan oleh peneliti UCLA, Diffractive Deep Neural Networks (D2NNs) merupakan kerangka komputasi optik, yang terdiri dari permukaan difraksi transmisif dan / atau reflektif yang berurutan yang dapat memproses informasi masukan melalui interaksi materi cahaya. Permukaan ini dirancang menggunakan teknik pembelajaran mendalam standar di komputer, yang kemudian dibuat dan dirakit untuk membangun jaringan optik fisik. Melalui percobaan yang dilakukan pada panjang gelombang terahertz, kemampuan D2NN dalam mengklasifikasikan objek secara keseluruhan telah didemonstrasikan. Selain klasifikasi objek, keberhasilan D2NN dalam melakukan berbagai desain optik dan tugas komputasi, termasuk misalnya, pemfilteran spektral, pengkodean informasi spektral, dan pembentukan pulsa optik juga telah dibuktikan.

Dalam makalah terbaru mereka yang diterbitkan di Cahaya: Sains & Aplikasi, Tim UCLA melaporkan kemajuan lompatan di D2Akurasi klasifikasi gambar berbasis NN melalui pembelajaran ensemble. Unsur utama di balik keberhasilan pendekatan mereka dapat dipahami secara intuitif melalui eksperimen Sir Francis Galton (1822–1911), seorang filsuf dan ahli statistik Inggris, yang, saat mengunjungi pameran ternak, meminta peserta untuk menebak berat seekor sapi. . Tak satupun dari ratusan peserta yang berhasil menebak bobotnya. Namun yang membuatnya heran, Galton menemukan bahwa median dari semua tebakan cukup dekat — 1.207 pound, dan akurat dalam 1% dari berat sebenarnya yaitu 1.198 pound. Eksperimen ini mengungkapkan kekuatan penggabungan banyak prediksi untuk mendapatkan prediksi yang jauh lebih akurat. Pembelajaran ensemble mewujudkan ide ini dalam pembelajaran mesin, di mana peningkatan kinerja prediksi dicapai dengan menggabungkan beberapa model.

Dalam skema mereka, peneliti UCLA melaporkan ansambel yang dibentuk oleh beberapa D2NN beroperasi secara paralel, yang masing-masing dilatih dan didiversifikasi secara individual dengan memfilter inputnya secara optik menggunakan berbagai filter. 1252 D2NN, yang dirancang secara unik dengan cara ini, membentuk kumpulan jaringan awal, yang kemudian dipangkas menggunakan algoritme pemangkasan berulang, sehingga ansambel fisik yang dihasilkan tidak terlalu besar. Prediksi akhir berasal dari rata-rata tertimbang keputusan dari semua konstituen D2NN dalam ansambel. Peneliti mengevaluasi kinerja D yang dihasilkan2Ansambel NN pada kumpulan data gambar CIFAR-10, yang berisi 60.000 gambar alami yang dikategorikan dalam 10 kelas dan merupakan kumpulan data yang banyak digunakan untuk mengukur berbagai algoritme pembelajaran mesin. Simulasi sistem ansambel yang mereka rancang mengungkapkan bahwa jaringan optik difraksi dapat memperoleh manfaat secara signifikan dari ‘kebijaksanaan kerumunan’. Misalnya, dengan ansambel yang terdiri dari 14 orang D yang dilatih secara individual2NNs, para peneliti mencapai akurasi pengujian buta 61,21% pada dataset CIFAR-10, yang ~ 16% lebih tinggi dari akurasi rata-rata konstituen individu D2NNs.

Penelitian ini dipimpin oleh Profesor Aydogan Ozcan dari Departemen Teknik Listrik dan Komputer di UCLA, AS. Ini secara signifikan meningkatkan kinerja inferensi dan generalisasi yang dicapai oleh D2Ansambel NN menandai kemajuan besar dalam menutup celah antara jaringan saraf optik dan jaringan digital mereka. Bersama dengan kemajuan dalam fabrikasi dan perakitan sistem optik skala nano, kerangka kerja yang disajikan menjanjikan solusi pembelajaran mesin yang miniatur dan sangat cepat untuk berbagai aplikasi, misalnya, klasifikasi objek semua optik, perangkat keras komputasi optik berbasis difraksi, dan pencitraan komputasi tugas.


Jaringan optik membentuk pulsa cahaya


Informasi lebih lanjut:
Md Sadman Sakib Rahman dkk. Pembelajaran ensemble jaringan optik difraksi, Cahaya: Sains & Aplikasi (2021). DOI: 10.1038 / s41377-020-00446-w

Disediakan oleh UCLA Engineering Institute for Technology Advancement

Kutipan: Jaringan diffractive meningkatkan akurasi klasifikasi gambar optik (2021, 11 Januari) diakses 11 Januari 2021 dari https://techxplore.com/news/2021-01-diffractive-networks-optical-image-classification.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh :
Pengeluaran SGP Hari Ini