Simonyan, K. & Zisserman, A. Redes convolucionales muy profundas para el reconocimiento de imágenes a gran escala. En 3er Congreso Internacional sobre Representaciones del Aprendizaje 1–14 (ICLR, 2015).
Wang, G. y col. Segmentación interactiva de imágenes médicas mediante aprendizaje profundo con ajuste fino específico de la imagen. Trans. IEEE. Medicina. Imágenes 37, 1562 – 1573 (2018).
Furui, S., Deng, L., Gales, M., Ney, H. y Tokuda, K. Tecnologías fundamentales en el reconocimiento de voz moderno. Mag. de proceso de señal IEEE. 29, 16 – 17 (2012).
Sak, H., Senior, A., Rao, K. & Beaufays, F. Modelos acústicos de redes neuronales recurrentes rápidos y precisos para el reconocimiento de voz. En Proc. Conferencia Anual de la Asociación Internacional de Comunicación del Habla, INTERSPEECH 1468-1472 (ISCA, 2015).
He, K., Zhang, X., Ren, S. & Sun, J. Aprendizaje residual profundo para el reconocimiento de imágenes. En Proc. Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones 770-778 (IEEE, 2016).
Lecun, Y., Bengio, Y. y Hinton, G. Aprendizaje profundo. Naturaleza 521, 436 – 444 (2015).
Mennel, L. y col. Visión artificial ultrarrápida con sensores de imagen de red neuronal de material 2D. Naturaleza 579, 62 – 66 (2020).
Liu, L. y col. Sistemas informáticos para la conducción autónoma: estado del arte y retos. IEEE Cosas de Internet J. 8, 6469 – 6486 (2021).
Shi, W. y col. LOEN: red neuronal optoelectrónica sin lentes potenciada en visión artificial. Light Sci. Apl. 11, 121 (2022).
Hamerly, R., Bernstein, L., Sludds, A., Soljačić, M. & Englund, D. Redes neuronales ópticas a gran escala basadas en multiplicación fotoeléctrica. física Rev X 9, 021032 (2019).
Wetzstein, G. y col. Inferencia en inteligencia artificial con óptica profunda y fotónica. Naturaleza 588, 39 – 47 (2020).
Shastri, BJ et al. Fotónica para inteligencia artificial y computación neuromórfica. Nat. Fotón. 15, 102 – 114 (2021).
Xue, W. & Miller, O. D. Detección de bordes ópticos de alta NA mediante películas multicapa optimizadas. J. Óptica 23, 125004 (2021).
Wang, T. y col. Una red neuronal óptica que utiliza menos de 1 fotón por multiplicación. Nat. Comun. 13, 123 (2022).
Wang, T. y col. Detección de imágenes con redes neuronales ópticas no lineales multicapa. Nat. Fotón. 17, 8 – 17 (2023).
Badloe, T., Lee, S. y Rho, J. Computación a la velocidad de la luz: metamateriales para cálculos totalmente ópticos y redes neuronales. Adv. Fotón. 4, 064002 (2022).
Vanderlugt, A. Procesamiento de señales ópticas (Wiley, 1993).
Chang, J., Sitzmann, V., Dun, X., Heidrich, W. y Wetzstein, G. Redes neuronales convolucionales ópticas-electrónicas híbridas con óptica difractiva optimizada para clasificación de imágenes. Sci. Reps. 8, 12324 (2018).
Colburn, S., Chu, Y., Shilzerman, E. y Majumdar, A. Interfaz óptica para una red neuronal convolucional. Apl. Optar. 58, 3179 (2019).
Zhou, T. y col. Computación optoelectrónica neuromórfica a gran escala con una unidad de procesamiento difractivo reconfigurable. Nat. Fotón. 15, 367 – 373 (2021).
Chen, Y. H., Krishna, T., Emer, J. S. & Sze, V. Eyeriss: un acelerador reconfigurable energéticamente eficiente para redes neuronales convolucionales profundas. IEEE J. Circuitos de estado sólido 52, 127 – 138 (2017).
Neshatpour, K., Homayoun, H. & Sasan, A. ICNN: la red neuronal convolucional iterativa. En Transacciones de ACM en sistemas informáticos integrados 18, 119 (ACM, 2019).
Xu, X. y col. 11 TOPS acelerador fotónico convolucional para redes neuronales ópticas. Naturaleza 589, 44 – 51 (2021).
Feldmann, J. et al. Procesamiento convolucional paralelo utilizando un núcleo de tensor fotónico integrado. Naturaleza 589, 52 – 58 (2021).
Wu, C. y col. Metasuperficies de cambio de fase programables en guías de ondas para redes neuronales convolucionales fotónicas multimodo. Nat. Comun. 12, 96 (2021).
Zhang, H. y col. Un chip neuronal óptico para implementar redes neuronales de valores complejos. Nat. Comun. 12, 457 (2021).
Ashtiani, F., Geers, A. J. y Aflatouni, F. Una red neuronal profunda fotónica en chip para clasificación de imágenes. Naturaleza 606, 501 – 506 (2022).
Fu, T. y col. Aprendizaje automático fotónico con óptica difractiva en chip. Nat. Comun. 14, 70 (2023).
Lin, X. y col. Aprendizaje automático totalmente óptico que utiliza redes neuronales profundas difractivas. Ciencia: 361, 1004 – 1008 (2018).
Qian, C. y col. Realización de operaciones de lógica óptica mediante una red neuronal difractiva. Light Sci. Apl. 9, 59 (2020).
Luo, X. y col. Redes neuronales difractivas multiplexadas en chip habilitadas para metasuperficie en el visible. Light Sci. Apl. 11, 158 (2022).
Kwon, H., Arbabi, E., Kamali, S. M., Faraji-Dana, M. S. & Faraon, A. Microscopía de gradiente de fase cuantitativa de disparo único utilizando un sistema de metasuperficies multifuncionales. Nat. Fotón. 14, 109 – 114 (2020).
Xiong, B. y col. Rompiendo la limitación de la multiplexación de polarización en metasuperficies ópticas con ruido diseñado. Ciencia: 379, 294 – 299 (2023).
Khorasaninejad, M. et al. Metalentes en longitudes de onda visibles: enfoque limitado por difracción e imágenes con resolución por debajo de la longitud de onda. Ciencia: 352, 1190 – 1194 (2016).
Kim, J. y col. Fabricación escalable de metasuperficies híbridas de capa atómica y polímero de alto índice para metafotónica en lo visible. Nat. Mate. 22, 474 – 481 (2023).
Levanon, N. y col. Respuesta de transmisión angular de metasuperficies totalmente dieléctricas cuasi-BIC que rompen la simetría en el plano. ACS Photonics 9, 3642 – 3648 (2022).
Nolen, J. R., Overvig, A. C., Cotrufo, M. & Alù, A. Emisión unidireccional y polarizada arbitrariamente de metasuperficies térmicas. Preimpresión en https://arxiv.org/abs/2301.12301 (2023).
Guo, C., Xiao, M., Minkov, M., Shi, Y. & Fan, S. Operador de Laplace de losa de cristal fotónico para la diferenciación de imágenes. óptica 5, 251 – 256 (2018).
Cordaro, A. et al. Metasuperficies dieléctricas de alto índice que realizan operaciones matemáticas. Nano Lett. 19, 8418 – 8423 (2019).
Zhou, Y., Zheng, H., Kravchenko, II y Valentine, J. Óptica plana para la diferenciación de imágenes. Nat. Fotón. 14, 316 – 323 (2020).
Fu, W. y col. Metageneradores de imágenes ultracompactos para convolución totalmente óptica arbitraria. Light Sci. Apl. 11, 62 (2022).
Wang, H., Guo, C., Zhao, Z. & Fan, S. Diferenciación de imagen incoherente compacta con estructuras nanofotónicas. ACS Photonics 7, 338 – 343 (2020).
Zhang, X., Bai, B., Sun, H. B., Jin, G. & Valentine, J. Diferenciación optoelectrónica incoherente basada en películas multicapa optimizadas. Fotón Láser Rev. 16, 2200038 (2022).
Zheng, H. y col. Aceleradores metaópticos para clasificadores de objetos. ciencia Adv. 8, eabo6410 (2022).
Bernstein, L. y col. Red neuronal óptica de disparo único. ciencia Adv. 9, eadg7904 (2023).
Shen, Z. y col. Cámara monocular de metasuperficie para imágenes 4D pasivas de un solo disparo. Nat. Comun. 14, 1035 (2023).
LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. Aprendizaje basado en gradientes aplicado al reconocimiento de documentos. proc. IEEE 86, 2278 – 2323 (1998).
Zheng, H. y col. Metaóptica compuesta para un control de campo completo y sin pérdidas. ACS Nano 16, 15100 – 15107 (2022).
Liu, S. y col. Más ConvNets en la década de 2020: ampliación de kernels más allá de 51×51 utilizando la dispersión. En XI Congreso Internacional sobre Representaciones del Aprendizaje 1–23 (ICLR, 2023).
Barron, J. T. Una función de pérdida robusta general y adaptativa. En Proc. Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones 4326-4334 (IEEE, 2019).
Dosovitskiy, A. et al. Una imagen vale 16×16 palabras: transformadores para el reconocimiento de imágenes a escala. En XI Congreso Internacional sobre Representaciones del Aprendizaje 1–22 (ICLR, 2021).
Stillmaker, A. & Baas, B. Ecuaciones de escala para la predicción precisa del rendimiento del dispositivo CMOS de 180 nm a 7 nm. moderna 58, 74 – 81 (2017).
McClung, A., Samudrala, S., Torfeh, M., Mansouree, M. & Arbabi, A. Imágenes espectrales instantáneas con metasistemas paralelos. ciencia Adv. 6, eabc7646 (2020).
Ding, X., Zhang, X., Han, J. & Ding, G. Ampliación de sus núcleos a 31 × 31: revisión del diseño de núcleos grandes en CNN. En Proc. Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones 11953-11965 (IEEE, 2022).
Ding, X. y col. RepVgg: hacer que las ConvNets estilo VGG vuelvan a ser geniales. En Proc. Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones 13728-13737 (IEEE, 2021).
Li, L. y col. Generador de imágenes y reconocedor de metasuperficies inteligente. Light Sci. Apl. 8, 97 (2019).
Zhao, R. y col. Visualización holográfica vectorial multicanal y cifrado. Light Sci. Apl. 7, 95 (2018).
Kim, I. et al. Impresiones holográficas vectoriales dinámicas en color pixeladas bifuncionales impulsadas por metasuperficie para plataforma de seguridad fotónica. Nat. Comun. 12, 3614 (2021).
Li, L. et al. Fuente cuántica multifotónica y de alta dimensión basada en matriz Metalens. Ciencia: 368, 1487 – 1490 (2020).
Hugonin, A. J. P. & Lalanne, P. Software RETICOLO para análisis de rejillas. Preimpresión en https://arxiv.org/abs/2101.00901 (2023).
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://www.nature.com/articles/s41565-023-01557-2
