Optoelektroniczne modelowanie sieci neuronowej cz. 1

Optoelektroniczne modelowanie Optoelektroniczne modelowanie sieci neuronowejsieci neuronowej

Mikołaj OlszewskiMikołaj Olszewski

promotor: dr A. Domańskipromotor: dr A. Domański

dyplomant: Mikołaj Olszewski, promotor: dr A. Domański, WF PWdyplomant: Mikołaj Olszewski, promotor: dr A. Domański, WF PW 22

Plan prezentacjiPlan prezentacji

WstępWstęp

Sztuczne sieci neuronoweSztuczne sieci neuronowe

Optoelektroniczne implementacjeOptoelektroniczne implementacje

Prace w Zakładzie OptykiPrace w Zakładzie Optyki

Praca magisterskaPraca magisterska

PodsumowaniePodsumowanie


DziedzinaDziedzina

Interdyscyplinarna dziedzina badań SSNInterdyscyplinarna dziedzina badań SSNBadania nad matematycznym opisem Badania nad matematycznym opisem komórki nerwowej – przetwarzanie danychkomórki nerwowej – przetwarzanie danychKomputery a mózgKomputery a mózg– Przetwarzanie numerycznePrzetwarzanie numeryczne– Zadania obliczeniowe – rozpoznawanieZadania obliczeniowe – rozpoznawanie– Wolne i niedokładne neuronyWolne i niedokładne neurony– Szeregowość / równoległośćSzeregowość / równoległość

Powszechne zainteresowanie SSNPowszechne zainteresowanie SSN


Neuron biologicznyNeuron biologiczny

System nerwowy: 10System nerwowy: 101818 komórek, sieci: 10 komórek, sieci: 101111 komórek komórekPotencjały czynnościowe: A = 100 mV, t = 1msPotencjały czynnościowe: A = 100 mV, t = 1ms


Neuron matematycznyNeuron matematyczny

Odpowiadające własnościOdpowiadające własności

Przetwornik sygnałówPrzetwornik sygnałów

Modele statyczneModele statyczne∑

=

==m

i

Tii uwuw

1

ϕ

( )ϕfy =



WstępWstęp







ZadaniaZadania

AutoasocjacjaAutoasocjacja

HeteroasocjacjaHeteroasocjacja

KlasyfikacjaKlasyfikacja

Detekcja regularnościDetekcja regularności


ArchitekturyArchitektury

Sieci jednokierunkoweSieci jednokierunkowe

Sieci rekurencyjneSieci rekurencyjne

Sieci komórkoweSieci komórkowe


Metody uczeniaMetody uczenia

Uczenie nadzorowaneUczenie nadzorowane– Z nauczycielemZ nauczycielem– Z krytykiemZ krytykiem

Uczenie nienadzorowaneUczenie nienadzorowane– Samoorganizujące sięSamoorganizujące się– KonkurencyjneKonkurencyjne



WstępWstęp







PodstawyPodstawy

Optyka nieliniowaOptyka nieliniowa– Absorpcja dwufotonowaAbsorpcja dwufotonowa– Wymuszone rozpraszanie RamanaWymuszone rozpraszanie Ramana

– Mieszanie 4 fal Mieszanie 4 fal

Optyka fotorefrakcyjnaOptyka fotorefrakcyjna

Optyka ciekłych kryształówOptyka ciekłych kryształów

Optyka zintegrowanaOptyka zintegrowana


Matryca diodMatryca diod

Układy zintegrowaneUkłady zintegrowane

VCSELVCSEL

Elektroniczne wagiElektroniczne wagi

Równoległość światłaRównoległość światła

Precyzja i kontrola Precyzja i kontrola elektronikielektroniki

PerceptronPerceptron


Połączenia holograficznePołączenia holograficzne

Sieć HopfieldaSieć Hopfielda

Stałe połączenia Stałe połączenia holograficzneholograficzne

Wagi: fourierowskie Wagi: fourierowskie subhologramy planarnesubhologramy planarne

Optoelektroniczne Optoelektroniczne neuronyneurony


Sieć refrakcyjnaSieć refrakcyjna

Pamięci holograficzne do 1 GbPamięci holograficzne do 1 Gb

Kryształy fotorefrakcyjne – dynamiczny zapisKryształy fotorefrakcyjne – dynamiczny zapis

Mapa KohonenaMapa Kohonena

N referencyjnych, M uczących, N x M połączeńN referencyjnych, M uczących, N x M połączeń



WstępWstęp







Neuron optoelektronicznyNeuron optoelektroniczny

Kontrola poziomu sygnału wysyłanego do sieciKontrola poziomu sygnału wysyłanego do sieciNieliniowa transmisja komórki LCNieliniowa transmisja komórki LC


Smart pixelSmart pixel

Komórka LC – waga i element progowyKomórka LC – waga i element progowy


DoświadczenieDoświadczenie

Czujniki ciśnienia, Czujniki ciśnienia, teperatury, pH (x2)teperatury, pH (x2)

Zastąpienie Zastąpienie charakterystykami charakterystykami progowymi:progowymi:– pHpH1 1 = 5 (10= 5 (10μμW)W)

– pHpH2 2 = 8 (20= 8 (20μμW)W)

– T = 40 T = 40 ooC (40C (40μμW)W)

– p = 0,8 MPa (80p = 0,8 MPa (80μμW)W)


WynikiWyniki



WstępWstęp







MotywacjaMotywacja

Fascynacja neuronowym przetwarzaniemFascynacja neuronowym przetwarzaniem

Zainteresowania z zakresu optoelektronikiZainteresowania z zakresu optoelektroniki

Chęć stworzenia działającego urządzeniaChęć stworzenia działającego urządzenia

Możliwość wykorzystaniaMożliwość wykorzystania


TreśćTreść

Realizacja optoelektronicznej sieci Realizacja optoelektronicznej sieci neuronowejneuronowej

Zastosowanie do przetwarzania obrazów z Zastosowanie do przetwarzania obrazów z tomografii optycznejtomografii optycznej

Zastosowanie do przetwarzania danych z Zastosowanie do przetwarzania danych z systemu wielu czujnikówsystemu wielu czujników

Wykorzystanie elementów Wykorzystanie elementów ciekłokrystalicznychciekłokrystalicznych



WstępWstęp







SSNSSN

Modelowanie układów biologicznychModelowanie układów biologicznych

Efektywne układy obliczenioweEfektywne układy obliczeniowe

Zastosowania:Zastosowania:– Zadania optymalizacjiZadania optymalizacji

– Teoria sterowaniaTeoria sterowania– Diagnostyka obiektów technicznychDiagnostyka obiektów technicznych

– Rozpoznawanie wzorcówRozpoznawanie wzorców


BibliografiaBibliografiaJ. Korbicz, A.Obuchowicz, D. Uciński, J. Korbicz, A.Obuchowicz, D. Uciński, Sztuczne sieci neuronoweSztuczne sieci neuronowe, Akademicka , Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994Oficyna Wydawnicza PLJ, Warszawa, 1994S. Osowski, S. Osowski, Sieci neuronowe w ujęciu algorytmicznymSieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa, 1996, WNT, Warszawa, 1996C. Denz, C. Denz, Optical neural networksOptical neural networks, 1998, 1998K. Maier, C. Beckstein, R. Blickhan, W. ErhardK. Maier, C. Beckstein, R. Blickhan, W. Erhard, , Standard cell-based Standard cell-based implementation of a digital optoelectronic neural-network hardwareimplementation of a digital optoelectronic neural-network hardware,, w „ w „Applied Applied OpticsOptics””, t. 40, nr 8, t. 40, nr 8, 2001, 2001P. Keller, A. GmitroP. Keller, A. Gmitro, , Design and demonstration of an opto-electronic neural Design and demonstration of an opto-electronic neural network using fixed planar holographic interconnectsnetwork using fixed planar holographic interconnects, w „, w „Optical ComputingOptical Computing””,, t. 6t. 6, 1996, 1996Y. Frauel, G. Pauliat, A. Villing, G. RoosenY. Frauel, G. Pauliat, A. Villing, G. Roosen, , High-capacity photorefractive High-capacity photorefractive neural network implementing a Kohonen topological mapneural network implementing a Kohonen topological map, w „, w „Applied OpticsApplied Optics””,, t.t. 40, 200140, 2001A. Domański, M. Karpierz, W. Konopka, T. Nasiłowski, M. Świłło, M. A. Domański, M. Karpierz, W. Konopka, T. Nasiłowski, M. Świłło, M. Sierakowski, T. Woliński, Sierakowski, T. Woliński, Zastosowanie optoelektronicznych sieci Zastosowanie optoelektronicznych sieci neuronowych do przetwarzania sygnałów z czujników światłowodowychneuronowych do przetwarzania sygnałów z czujników światłowodowych, w „V , w „V Konferencja: Światłowody i ich zastosowanie”, Białowieża, 1998Konferencja: Światłowody i ich zastosowanie”, Białowieża, 1998

Optoelektroniczne modelowanie Optoelektroniczne modelowanie sieci neuronowejsieci neuronowej

Dziękuję za uwagęDziękuję za uwagę

Optoelektroniczne modelowanie sieci neuronowej cz. 1

Technology

Transcript of Optoelektroniczne modelowanie sieci neuronowej cz. 1