内容简介：Deep Learning是由Rina Dechter于1986年创造的，它是机器学习领域发展最快的方法之一，常用于面部，语音和音频识别，语言处理，社交网络过滤和医学图像分析以及更具体的解决方案。任务，例如解决逆成像问题。传统上，深度学习系统在计算机上实现，以学习数据表示和抽象并执行任务，与人类的表现相当或更好。然而，由加州大学洛杉矶分校电气和计算机工程教授Aydogan Ozcan博士领导的团队并没有使用传统的计算机设备，放弃所有那些需要耗费能量的电子，转而使用光波。结果是其全光学衍射深度神经网络（D2
加州大学洛杉矶分校的研究人员创造了一个独特的全光学平台，以光速执行机器学习任务。这是一个新颖的想法，使用光线通过多个板而不是电子衍射。对某些人来说，这可能看起来有点像用算盘替换计算机，但加州大学洛杉矶分校的研究人员对他们的古怪，闪亮，光速的人工神经网络寄予厚望。
Deep Learning是由Rina Dechter于1986年创造的，它是机器学习领域发展最快的方法之一，常用于面部，语音和音频识别，语言处理，社交网络过滤和医学图像分析以及更具体的解决方案。任务，例如解决逆成像问题。传统上，深度学习系统在计算机上实现，以学习数据表示和抽象并执行任务，与人类的表现相当或更好。
然而，由加州大学洛杉矶分校电气和计算机工程教授Aydogan Ozcan博士领导的团队并没有使用传统的计算机设备，放弃所有那些需要耗费能量的电子，转而使用光波。结果是其全光学衍射深度神经网络（D2NN）架构。
该设置使用3D打印的半透明薄片，每个薄片具有数千个凸起像素，这些薄片通过每个面板偏转光线以执行设定任务。顺便说一下，除了输入光束之外，这些任务是在不使用任何功率的情况下，以光速执行图像分析，特征检测和对象分类。该团队的研究人员还设想了D2NN架构在摄像机中执行专门任务的可能性。
使用逐层制造的无源元件，并通过光衍射将这些层相互连接，创造了一个独特的全光平台，以光速执行机器学习任务。但就目前而言，这是一个概念证明，但它为机器学习行业提供了一些独特的机会。
以上所述就是小编给大家介绍的《3D打印的深度学习神经网络使用光子而不是电子进行计算》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- 英特尔实现光子神经网络新突破，有效提升光子芯片效率
- MIT初创公司发布全球首个光子AI芯片原型！独立光学计算硬件，庞大系统成功集成至常规板卡丨独家专访
- 神经网络 – 序列预测LSTM神经网络落后
- 神经网络历史以及浅析神经网络与感知机
- 【神经网络】11行Python代码实现的神经网络
- 常见的五种神经网络（三）：循环神经网络（上篇）
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
