光电混合卷积神经网络的片上训练及其抗噪性
-
摘要: 光电混合的光学卷积神经网络（OCNN）通过结合光子元件的并行线性计算能力和电子元件的非线性处理优势，在分类任务中展现了巨大的潜力。然而，光子元件的制备误差即不精确性和执行后向传播的FPGA中电路噪声显著影响了网络性能。本文搭建了光电混合的OCNN，其中的线性计算由基于马赫-曾德尔干涉仪的光学计算层完成，而池化计算及训练过程在FPGA中完成。本文着重研究了在FPGA上的片上训练方案，分析了噪声对片上训练效果的影响，并提出了增强OCNN抗噪能力的网络优化策略。具体地，通过调整池化方式和尺寸以增强OCNN的抗噪性能，并在池化层后引入Dropout正则化以进一步提升模型的识别准确率。实验结果表明，本文采用的片上训练方案能够有效修正光子元件的不精确性带来的误差，但电路噪声是限制OCNN性能的主要因素。此外，当电路噪声较大时，例如当电路噪声造成的MZI相位误差标准差为0.003，最大池化方式与Dropout正则化的结合可以显著提升OCNN的测试准确率（最高达78%）。本研究为实现OCNN的片上训练提供了重要的参考依据，同时为光电混合架构在高噪声环境下的实际应用探索提供了新的思路。Abstract: 光电混合的光学卷积神经网络（OCNN）通过结合光子元件的并行线性计算能力和电子元件的非线性处理优势，在分类任务中展现了巨大的潜力。然而，光子元件的制备误差即不精确性和执行后向传播的FPGA中电路噪声显著影响了网络性能。本文搭建了光电混合的OCNN，其中的线性计算由基于马赫-曾德尔干涉仪的光学计算层完成，而池化计算及训练过程在FPGA中完成。本文着重研究了在FPGA上的片上训练方案，分析了噪声对片上训练效果的影响，并提出了增强OCNN抗噪能力的网络优化策略。具体地，通过调整池化方式和尺寸以增强OCNN的抗噪性能，并在池化层后引入Dropout正则化以进一步提升模型的识别准确率。实验结果表明，本文采用的片上训练方案能够有效修正光子元件的不精确性带来的误差，但电路噪声是限制OCNN性能的主要因素。此外，当电路噪声较大时，例如当电路噪声造成的MZI相位误差标准差为0.003，最大池化方式与Dropout正则化的结合可以显著提升OCNN的测试准确率（最高达78%）。本研究为实现OCNN的片上训练提供了重要的参考依据，同时为光电混合架构在高噪声环境下的实际应用探索提供了新的思路。
-
计量
- 文章访问数: 22
- HTML全文浏览量: 5
- PDF下载量: 2
- 被引次数: 0
下载:
