比1纳秒光速更快的图像识别技术研究
比深度神经网络速度还快的是什么？
或许光子dnn可以回答这个问题。
现在，美国研究者开发的一个光子神经网络 (photonic deep neural network，pdnn)，让图像识别仅需1纳秒。
1纳秒是什么概念？它等于10-9秒，这与最先进的微芯片单时钟周期（最小的时间单位）相当。
此外，研究者测试发现，pdnn对图像进行2分类和4分类的准确率分别高达93.8%和89.8%。
诚然，如今的大型多层神经网络高效且运算能力很强，但其也受到硬件的限制，往往需要消耗大量的电力资源等。
而宾夕法尼亚大学的工程师们研发的pdnn，能够直接分析图像，不需要时钟、传感器或大型存储模块，以有效降低耗能。相关研究成果于近日登上了nature杂志。
光子dnn比传统dnn更快
和传统dnn相比，光子dnn的原理和性能有何不同？
先来看看传统dnn：
图a是传统dnn的结构示意图，包括一个数据排列单元，然后是输入层、几个隐藏层，和一个提供分类输出的输出层。
图b展示了传统n输入神经元的结构：输入的线性加权和，通过一个非线性激活函数，产生神经元的输出。
图c和图d分别是一个pdnn芯片的神经网络示意图和n输入神经元结构。
首先在一个5×6光栅耦合器上形成输入图像，然后将其排列成4个重叠的子图像，子图像的像素被传送到第一层神经元，形成一个卷积层。
后面的神经元与它们的前一层完全连接，该网络产生2个输出，可最多为4种图像信息分类。
对于这些神经元，其输入都是光学信号。
在每个神经元中，线性计算是通过光学方式进行的，而非线性激活函数是通过光电子方式实现的，从而可使分类时间低于570ps（=0.57ns）。
论文的通讯作者，电气工程师firooz aflatouni对这个pdnn的性能补充描述道：它每秒可以对近18亿张图像进行分类，而传统的视频帧率是每秒24至120帧。
这里的pdnn芯片电路被集成在仅9.3 mm2 的面积内，不需要时钟、传感器以及大型存储模块。
一个激光器被耦合到芯片内，为各个神经元提供光源；该芯片包含两个5×6的光栅耦合器，分别作为输入像素阵列和校准阵列。
不过，均匀分布的供给光每个神经元光提供了相同的输出范围，显然这将允许将其扩展到更大规模的pdnn。
光子dnn芯片的图像分类测试
研究者们让这个pdnn微芯片识别手写字母。
一组实验测试了pdnn芯片的二分类性能：需要对共计216个「p」和「d」字母组成的数据集进行分类。
该芯片准确率高于93.8%。（（92.8%+94.9%）/2）
另一组实验测试了pdnn芯片的四分类性能：需对共计432个「p」、「d」、「a」、「t」字母组成的数据集进行分类。
该芯片分类准确率高于89.8%。
这些结果表明，即使有更多的类（如分四类情况），且存在打印机引起的变化和噪声，pdnn芯片仍取得了较高的分类精度。
为了比较这个pdnn和传统dnn的图像分类准确性，研究者还测试了在python中使用keras库实现的190个神经元组成的dnn，结果显示：它在相同图像上的分类准确率为96%。
什么是电力电容器，电力电容器的基本知识介绍
双十一首战，华为麒麟手机力压苹果iPhone
简单的对讲电路分享
[图文]１８Ｗ Ｄ类单片音频放大器ＴＤＡ７４８１
工信部完善政策解决新能源汽车充电难问题
比1纳秒光速更快的图像识别技术研究
2019新iPhone将新增绿色并改用Type-C接口
三星Galaxy Indulge 4G智能手机曝光
莱迪思证明移动应用的FPGA非常适合用于量产
22nm 3D三栅极晶体管技术详解
源卓微纳斩获陶瓷基板行业全球头部厂商订单
应用案例：科技赋能，让物流园区更具“智慧”
企鹅医生构建的线上线下服务体系蓝图的落地，加快未来智能医疗化
uc3842引脚图 uc3842引脚功能
微软Windows 10获得全新用户界面
罗德与施瓦茨宣布针对5G NR第17版的综合测试解决方案
关于FreeRTOS内存分配多少才合适
过程控制系统经历过的三个发展阶段
70年人工智能研究，解读研究者最大的惨痛教训经验
CASAIM广州中大型工件形位公差三维扫描尺寸三维测量解决方案
或许光子dnn可以回答这个问题。
现在，美国研究者开发的一个光子神经网络 (photonic deep neural network，pdnn)，让图像识别仅需1纳秒。
1纳秒是什么概念？它等于10-9秒，这与最先进的微芯片单时钟周期（最小的时间单位）相当。
此外，研究者测试发现，pdnn对图像进行2分类和4分类的准确率分别高达93.8%和89.8%。
诚然，如今的大型多层神经网络高效且运算能力很强，但其也受到硬件的限制，往往需要消耗大量的电力资源等。
而宾夕法尼亚大学的工程师们研发的pdnn，能够直接分析图像，不需要时钟、传感器或大型存储模块，以有效降低耗能。相关研究成果于近日登上了nature杂志。
光子dnn比传统dnn更快
和传统dnn相比，光子dnn的原理和性能有何不同？
先来看看传统dnn：
图a是传统dnn的结构示意图，包括一个数据排列单元，然后是输入层、几个隐藏层，和一个提供分类输出的输出层。
图b展示了传统n输入神经元的结构：输入的线性加权和，通过一个非线性激活函数，产生神经元的输出。
图c和图d分别是一个pdnn芯片的神经网络示意图和n输入神经元结构。
首先在一个5×6光栅耦合器上形成输入图像，然后将其排列成4个重叠的子图像，子图像的像素被传送到第一层神经元，形成一个卷积层。
后面的神经元与它们的前一层完全连接，该网络产生2个输出，可最多为4种图像信息分类。
对于这些神经元，其输入都是光学信号。
在每个神经元中，线性计算是通过光学方式进行的，而非线性激活函数是通过光电子方式实现的，从而可使分类时间低于570ps（=0.57ns）。
论文的通讯作者，电气工程师firooz aflatouni对这个pdnn的性能补充描述道：它每秒可以对近18亿张图像进行分类，而传统的视频帧率是每秒24至120帧。
这里的pdnn芯片电路被集成在仅9.3 mm2 的面积内，不需要时钟、传感器以及大型存储模块。
一个激光器被耦合到芯片内，为各个神经元提供光源；该芯片包含两个5×6的光栅耦合器，分别作为输入像素阵列和校准阵列。
不过，均匀分布的供给光每个神经元光提供了相同的输出范围，显然这将允许将其扩展到更大规模的pdnn。
光子dnn芯片的图像分类测试
研究者们让这个pdnn微芯片识别手写字母。
一组实验测试了pdnn芯片的二分类性能：需要对共计216个「p」和「d」字母组成的数据集进行分类。
该芯片准确率高于93.8%。（（92.8%+94.9%）/2）
另一组实验测试了pdnn芯片的四分类性能：需对共计432个「p」、「d」、「a」、「t」字母组成的数据集进行分类。
该芯片分类准确率高于89.8%。
这些结果表明，即使有更多的类（如分四类情况），且存在打印机引起的变化和噪声，pdnn芯片仍取得了较高的分类精度。
为了比较这个pdnn和传统dnn的图像分类准确性，研究者还测试了在python中使用keras库实现的190个神经元组成的dnn，结果显示：它在相同图像上的分类准确率为96%。
什么是电力电容器，电力电容器的基本知识介绍
双十一首战，华为麒麟手机力压苹果iPhone
简单的对讲电路分享
[图文]１８Ｗ Ｄ类单片音频放大器ＴＤＡ７４８１
工信部完善政策解决新能源汽车充电难问题
比1纳秒光速更快的图像识别技术研究
2019新iPhone将新增绿色并改用Type-C接口
三星Galaxy Indulge 4G智能手机曝光
莱迪思证明移动应用的FPGA非常适合用于量产
22nm 3D三栅极晶体管技术详解
源卓微纳斩获陶瓷基板行业全球头部厂商订单
应用案例：科技赋能，让物流园区更具“智慧”
企鹅医生构建的线上线下服务体系蓝图的落地，加快未来智能医疗化
uc3842引脚图 uc3842引脚功能
微软Windows 10获得全新用户界面
罗德与施瓦茨宣布针对5G NR第17版的综合测试解决方案
关于FreeRTOS内存分配多少才合适
过程控制系统经历过的三个发展阶段
70年人工智能研究，解读研究者最大的惨痛教训经验
CASAIM广州中大型工件形位公差三维扫描尺寸三维测量解决方案