本論文では、光学コンピューティングシステムの現実世界での高性能化を目的として、モデルフリーの最適化手法を提案している。
まず、従来の光学コンピューティングシステムの訓練手法について説明する。シミュレータベースの訓練(SBT)では、物理モデルに基づくシミュレータを用いて訓練を行うが、シミュレータと実際のシステムの間にギャップがあるため、実システムでの性能が低下する問題がある。そこで、実システムの入出力を利用したハイブリッド訓練(HBT)が提案されたが、依然としてシミュレータを必要とするため、計算コストが高く、入力物体の高精細な画像が必要という課題がある。
そこで本論文では、モデルフリーの最適化手法(G-MFO)を提案する。この手法では、光学システムを黒箱として扱い、出力に基づいて直接重みの確率分布を更新する。これにより、シミュレータの構築や入力物体の画像取得を必要とせず、計算コストを大幅に削減できる。
実験では、G-MFOがMNISTやFMNISTデータセットでHBTを上回る性能を示すことを確認した。また、G-MFOは従来手法に比べて、GPU使用メモリとGPU時間を大幅に削減できることを示した。一方で、G-MFOは重みの次元数が増えるとパフォーマンスが低下する課題がある。
最後に、G-MFO訓練した光学コンピューティングシステムを用いて、マーカーフリーの白血球分類を実現する応用例を示した。この結果は、G-MFOが光学コンピューティングの実世界への適用を加速する可能性を示唆している。
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Guangyuan Zh... о arxiv.org 04-04-2024
https://arxiv.org/pdf/2307.11957.pdfГлибші Запити