TL;DR
- چکیده:.
- استقرار Vision Transformers (ViTs) در شتابدهندههای آنالوگ نزدیک به سنسور نیازمند خطوط لوله آموزشی است که به صراحت.
- با محدودیتهای نویز و انرژی در سطح دستگاه همسو هستند.
چه اتفاقی افتاد
چکیده:. استقرار Vision Transformers (ViTs) در شتابدهندههای آنالوگ نزدیک به سنسور نیازمند خطوط لوله آموزشی است که به صراحت.
با محدودیتهای نویز و انرژی در سطح دستگاه همسو هستند. ما یک چارچوب فشرده برای اجرای سیلیکون فوتونیک ViTs معرفی میکنیم که نویز سختافزاری اندازهگیری شده،.
آموزش توجه قوی و جریان پردازش آگاه از انرژی را ادغام میکند. ما ابتدا نویز در سطح بانک را در آرایههای ریزوناتور-رزوناتور (MR)،.
از جمله تغییرات ساخت،. رانش حرارتی،.
و نویز دامنه مشخص میکنیم و این اندازهگیریها را به شکل بسته و پراکسیهای واریانس وابسته به فعالسازی. برای لاجیتهای توجه و فعالسازیهای پیشخور تبدیل میکنیم.
با استفاده از این پراکسیها،. ما آموزش محدود شانس (CCT) را توسعه میدهیم که حاشیههای لاجیت نرمالشده با واریانس را برای تلنگرهای رتبه.
توجه و یک LayerNorm آگاه از نویز اعمال میکند که آمار ویژگیها را بدون تغییر تثبیت میکند. برنامه نوری این مولفهها خط لوله عملی «اندازهگیری $\rightarrow$ مدل $\rightarrow$ train $\rightarrow$ run» را ایجاد میکنند که.
دقت را در نویز و در عین حال رعایت محدودیتهای انرژی سیستم بهینه میکند. آزمایشهای سختافزاری در حلقه با بانکهای فوتونی MR نشان میدهد که رویکرد ما دقت تقریباً تمیز را تحت.
بودجههای نویز واقعی،. بدون یادگیری درجا یا MACهای نوری اضافی بازیابی میکند.
در کنفرانس اتوماسیون طراحی (DAC) 2026 پذیرفته شد فناوریهای نوظهور (cs. ET) استناد بهعنوان: (یا v1 [cs.
ET] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Gourav Datta [مشاهده ایمیل] [v1] دوشنبه،. 6 آوریل 2026،.
00:. 42:.
20 UTC (1,. 731 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.