[論文レビュー] Stochastic Optimization of Nonlinear Nanophotonic Media for Artificial Neural Inference

Erfan Khoram, Ang Chen+4 more|arXiv (Cornell University)|Oct 17, 2018

Neural Networks and Reservoir Computing被引用数 1

ひとこと要約

本稿では、光を用いて人工ニューラルネットワークの推論を実行するため、非線形ナノフォトンメディアのための確率的最適化フレームワークを提案する。サブ波長スキャッタラをトレーニング可能な重みとして活用することで、画像などの符号化された波フロントが、計算出力に対応する集中的なエネルギーパターンに変換され、従来のフォトリックデバイスをはるかに超える高い表現力を持つ、超高密度で超高速な光コンピューティングを実現する。

ABSTRACT

We show that optical waves passing through a nanophotonic medium can perform artificial neural computing. Complex information, such as an image, is encoded in the wave front of an input light. The medium continuously transforms the wave front to realize highly sophisticated computing tasks such as image recognition. At the output, the optical energy is concentrated to well defined locations, which for example can be interpreted as the identity of the object in the image. These computing media can be as small as tens of wavelengths and offer ultra-high computing density. They exploit sub-wavelength linear and nonlinear scatterers to realize complex input-output mapping far beyond the capabilities of traditional nanophotonic devices. All structural degrees of freedom can be used as training weights, forming a vast parameter space with strong expressive power.

研究の動機と目的

• 非線形スキャッタラを有するナノフォトンメディアをトレーニングして、複雑な光コンピューティングタスクを実行する手法を開発すること。
• 電子部品を一切使用せずに、設計されたフォトリック構造の物理的性質のみを用いて、人工ニューラルネットワークの推論を可能にすること。
• 広大なパラメータ空間におけるすべての構造的自由度をトレーニング可能なパラメータとして活用することで、高いコンピューティング密度を達成すること。
• 光学的波フロントが非線形媒体を通じて変換され、計算結果に対応する解釈可能な出力エネルギー分布が得られることを実証すること。
• 画像認識などのタスクにおいて、サブ波長・非線形ナノフォトン系の表現力の可能性を調査すること。

提案手法

• 入力情報（例：画像）が光ビームの波フロントに符号化される。
• 線形および非線形なサブ波長スキャッタラからなるナノフォトンメディアが、ニューラルネットワーク推論の微分可能な物理モデルとして機能する。
• 入力波フロントを所望の出力エネルギー分布にマップするように、構造的パラメータを最適化するために確率的最適化が適用される。
• メディア内のすべての構造的自由度がトレーニング可能な重みとして使用され、強力な表現能力を持つ高次元パラメータ空間を形成する。
• 出力は、光学的エネルギーの空間的集中に基づいて、画像認識における物体識別などの計算結果として解釈される。
• 波フロント変換を通じて、入力から出力への複雑なマッピングを実現する物理メディアのエンドツーエンドトレーニングが可能となる。

実験結果

リサーチクエスチョン

• RQ1 非線形ナノフォトンメディアは、確率的最適化によって人工ニューラル推論を実行できるか？
• RQ2 フォトリックメディア内のサブ波長スキャッタラが、従来のナノフォトリックデバイスをはるかに超える複雑な入出力マッピングを実現できるか、その程度はいかほどか？
• RQ3 すべての構造的自由度をトレーニング可能なパラメータとして使用した場合、システムの表現力にどのような影響を与えるか？
• RQ4 このようなメディアを通じて、光学的波フロントが、計算結果に対応する解釈可能な出力パターンに変換可能か？
• RQ5 このようなシステムは、超高密度で完全に光ベースのコンピューティングのための可能性を秘めているか？

主な発見

• ナノフォトンメディアは、光学的波フロントを計算出力に対応する集中的なエネルギーパターンに変換することで、人工ニューラル推論を効果的に実行した。
• デバイスが数十波長スケールにまで小さくなる可能性を有する、非常に高いコンピューティング密度を達成した。
• すべての構造的自由度をトレーニング可能な重みとして使用することで、従来のナノフォトリックデバイスをはるかに上回る強力な表現力が実現された。
• 非線形スキャッタラにより、線形系のみでは実現不可能な複雑な入出力マッピングが可能となった。
• 物理的フォトリック構造が、光学的波フロント操作のみを用いて、画像認識のような高度な計算タスクを実行できることが実証された。
• フレームワークは物理メディアのエンドツーエンドトレーニングをサポートし、望ましい計算結果を得るための構造全体の最適化を可能にした。