按年被提到
20162018 · 2 次2026
机器学习与深度学习›神经科学启发的 AI·arXiv:1610.02365 · physics.optics

Deep Learning with Coherent Nanophotonic Circuits

基于相干纳米光子电路的深度学习
Yichen Shen, Nicholas C. Harris, Scott Skirlo, Mihika Prabhu, Tom Baehr-Jones, Michael Hochberg, Xin Sun, Shijie Zhao, Hugo Larochelle, Dirk Englund, Marin Soljacic · 2016

用相干纳米光子电路实现全光深度神经网络的架构

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 3 人首次 2016-11-27 · 最近 2018-09-06
3不同的人
3活跃月份
3讨论串
3,313被引(OpenAlex)

论文提出一种全光神经网络架构,利用光学的独特优势,预期相比当时最先进的电子方案计算速度至少提升两个数量级、能效提升三个数量级。作者用可编程纳米光子处理器实验演示了该架构的关键部分。

HN 为什么提它

HN 评论者把它当作用类似光学系统实现深度人工神经网络的酷例子来引用,并讨论热串扰可能限制门保真度。

方法难度 4 / 5约 60 分钟经得起时间
读之前最好知道
1人工神经网络基础
2集成光学与干涉仪(Mach-Zehnder interferometer)
3矩阵乘法与奇异值分解(SVD)
4冯·诺依曼架构与能效

学习路径

读这篇之前,按顺序读书架上的 1 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

候选里只有深度学习综述与目标论文的背景直接相关,用它建立对神经网络与其计算负担的整体认识,再读光子电路实现。

  1. 1
    Deep Learning in Neural Networks: An Overview神经网络中的深度学习:综述 · 2014

    给出神经网络与深度学习的整体图景,帮助理解为什么需要专用硬件来加速矩阵运算。

    读前馈网络与多层感知机、训练与反向传播的基本概念;不必通读历史部分。

  2. 2
    Deep Learning with Coherent Nanophotonic Circuits基于相干纳米光子电路的深度学习 · 2016 · 就是这篇

    目标论文:提出用相干纳米光子电路实现全光神经网络的架构。

    读光学干涉单元如何实现矩阵乘法,以及非线性激活在光学中的实现与能效估计。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐biswaroop · 2018-09

“A cool implementation of a deep ANN using a similar system: Deep Learning with Coherent Nanophotonic Circuits”

推荐这个用类似系统实现深度 ANN 的酷项目
Engineering tour de force births programmable optical quantum computer原评论 ↗
被提交为 story · 2 次