ترجمه فارسی مقاله شبکه‌های عصبی مصنوعی برای کاربردهای فوتونیک: از الگوریتم‌ها تا پیاده‌سازی

چکیده

This tutorial-review on applications of artificial neural networks in photonics targets a broad audience, ranging from optical research and engineering communities to computer science and applied mathematics. We focus here on the research areas at the interface between these disciplines, attempting to find the right balance between technical details specific to each domain and overall clarity. First, we briefly recall key properties and peculiarities of some core neural network types, which we believe are the most relevant to photonics, also linking the layer’s theoretical design to some photonics hardware realizations. After that, we elucidate the question of how to fine-tune the selected model’s design to perform the required task with optimized accuracy. Then, in the review part, we discuss recent developments and progress for several selected applications of neural networks in photonics, including multiple aspects relevant to optical communications, imaging, sensing, and the design of new materials and lasers. In the following section, we put a special emphasis on how to accurately evaluate the complexity of neural networks in the context of the transition from algorithms to hardware implementation. The introduced complexity characteristics are used to analyze the applications of neural networks in optical communications, as a specific, albeit highly important example, comparing those with some benchmark signal processing methods. We combine the description of the well-known model compression strategies used in machine learning, with some novel techniques introduced recently in optical applications of neural networks. It is important to stress that although our focus in this tutorial-review is on photonics, we believe that the methods and techniques presented here can be handy in a much wider range of scientific and engineering applications.

چکیده به فارسی (ترجمه ماشینی)

این بررسی آموزش در مورد کاربردهای شبکه های عصبی مصنوعی در فوتونیک مخاطبان گسترده ای را هدف قرار می دهد ، از جوامع تحقیقات نوری و مهندسی گرفته تا علوم کامپیوتر و ریاضیات کاربردی.ما در اینجا روی حوزه های تحقیق در رابط بین این رشته ها تمرکز می کنیم و سعی در یافتن تعادل مناسب بین جزئیات فنی خاص برای هر دامنه و وضوح کلی داریم.اول ، ما به طور خلاصه خواص کلیدی و خصوصیات برخی از انواع شبکه های عصبی اصلی را به یاد می آوریم ، که معتقدیم بیشتر مربوط به فوتونیک است ، همچنین طرح نظری لایه را با برخی از تحقق سخت افزار فوتونیک پیوند می دهد.پس از آن ، ما این سؤال را توضیح می دهیم که چگونه می توان طرح مدل انتخاب شده را تنظیم کرد تا کار مورد نیاز را با دقت بهینه انجام دهیم.سپس ، در بخش بررسی ، ما در مورد تحولات و پیشرفت های اخیر برای چندین برنامه انتخاب شده از شبکه های عصبی در فوتونیک ، از جمله جنبه های مختلف مربوط به ارتباطات نوری ، تصویربرداری ، سنجش و طراحی مواد و لیزرهای جدید بحث می کنیم.در بخش زیر ، ما تأکید ویژه ای بر چگونگی ارزیابی دقیق پیچیدگی شبکه های عصبی در زمینه انتقال از الگوریتم ها به اجرای سخت افزار داریم.از ویژگی های پیچیدگی معرفی شده برای تجزیه و تحلیل کاربردهای شبکه های عصبی در ارتباطات نوری ، به عنوان یک مثال خاص و بسیار مهم ، مقایسه آنهایی که با برخی از روش های پردازش سیگنال معیار استفاده می شود ، استفاده می شود.ما توضیحات استراتژی های فشرده سازی مدل شناخته شده مورد استفاده در یادگیری ماشین را با برخی از تکنیک های جدید که اخیراً در برنامه های نوری شبکه های عصبی معرفی شده اند ، ترکیب می کنیم.تأکید بر این نکته حائز اهمیت است که اگرچه تمرکز ما در این بررسی آموزش بر روی فوتونیک است ، ما معتقدیم که روش ها و تکنیک های ارائه شده در اینجا می توانند در طیف گسترده تری از برنامه های علمی و مهندسی مفید باشند.