编码智能体对光学神经网络的原位训练
摘要
本文提出了“光学即代码”(optics as code)方法:编码智能体利用可解释的光学元件对光学神经网络进行重新参数化,仅凭测量数据即可完成训练。该方法无需对每个器件单独校准,性能优于无梯度方法,并以更低的成本达到接近反向传播的准确率。
查看缓存全文
缓存时间: 2026/11/20 19:36
论文页面 - 编程智能体对光学神经网络的原位训练
来源:https://huggingface.co/papers/2611.23875
摘要
编程智能体仅凭测量数据,通过使用可解释的光学元件对光学神经网络进行重新参数化来训练网络,在分类和图像编码方面优于无梯度方法,并以更低的成本接近通过校准模型进行反向传播的效果\。
光学神经网络 (https://huggingface.co/papers?q=Optical%20neural%20networks)有望实现快速、节能的计算,但每个器件都会偏离其设计,因此必须结合硬件进行训练\。原位训练 (https://huggingface.co/papers?q=In%20situ%20training)依赖于专家为每个器件构建的校准数字模型 (https://huggingface.co/papers?q=calibrated%20digital%20model),或依赖无梯度试错 (https://huggingface.co/papers?q=gradient-free%20trial%20and%20error)\。编程智能体 (https://huggingface.co/papers?q=Coding%20agents),即能够编写和运行程序的大语言模型 (https://huggingface.co/papers?q=large%20language%20models),已展现出理解和编辑数字神经网络权重的涌现能力\。在此,我们提出光学即代码 (https://huggingface.co/papers?q=optics%20as%20code),这是一种让编程智能体仅凭测量数据训练光学神经网络的方法:通过一个交互框架,返回其探测操作的相机图像,并要求每次请求都附带一个假设\。我们发现,智能体会形成对光学系统的物理理解,并使用在硬件上调优的可解释光学元件 (https://huggingface.co/papers?q=interpretable%20optical%20elements)对网络进行重新参数化\。它在分类和图像编码方面优于无梯度方法,仅需一小部分成本,即可接近通过校准模型进行反向传播 (https://huggingface.co/papers?q=backpropagation)的效果\。光学即代码 (https://huggingface.co/papers?q=optics%20as%20code)既不需要逐器件校准 (https://huggingface.co/papers?q=per-device%20calibration),也不需要通过硬件计算梯度,而且会随着模型能力的增强而改进,为构建大规模、可扩展的光学神经网络 (https://huggingface.co/papers?q=scalable%20optical%20neural%20networks)提供了一条切实可行的路径,同时也是校准和优化光学实验的通用工具\。
查看 arXiv 页面 (https://arxiv.org/abs/2611.23875)查看 PDF (https://arxiv.org/pdf/2611.23875)项目页面 (https://ioguz.github.io/optics-as-code/)添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2611.23875)
在你的智能体中获取这篇论文:
hf papers read 2611\.23875
尚未安装最新版 CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用这篇论文的模型0
没有关联这篇论文的模型
在模型的 README.md 中引用 arxiv.org/abs/2611.23875,即可从此页面链接到该模型\。
引用这篇论文的数据集0
没有关联这篇论文的数据集
在数据集的 README.md 中引用 arxiv.org/abs/2611.23875,即可从此页面链接到该数据集\。
引用这篇论文的 Space0
没有关联这篇论文的 Space
在 Space 的 README.md 中引用 arxiv.org/abs/2611.23875,即可从此页面链接到该 Space\。
包含这篇论文的收藏集0
没有包含这篇论文的收藏集
将这篇论文添加到收藏集 (https://huggingface.co/new-collection),即可从此页面链接到该收藏集\。
相似文章
@NVIDIAAI: 我们为一个编码智能体设定了目标与时间预算:构建训练环境并教会视觉模型数彩色星星…
NVIDIA 展示了一个编码智能体,它自主构建了训练环境并教会 Qwen3-VL-2B 数彩色星星,使用 NeMo RL 和 NeMo Gym 框架将准确率从 25% 提升至 96.9%。
AI编程代理可自主指导机器人训练
使用开源ENPIRE框架的AI编码代理能够自主训练机器人执行如安装GPU和切割扎带等任务,系统可在一夜之间自我改进。
神经科学数据到发现流程中AI代理评估的案例研究
本文提出了一项实证研究,评估通用编码代理在果蝇光遗传学数据到发现流程中的表现。研究发现,虽然代理能够自动化单个阶段,但在需要科学判断和资源管理的端到端任务中表现不佳。
@InnocFrancesco:对局部学习算法感兴趣吗?在 #ICML2026 接收的工作中,我们展示了预测编码计算出的...
本文展示了在宽度远大于深度的极限情况下,预测编码网络计算出与反向传播相同的梯度,从而在生物学习与标准神经网络训练之间架起桥梁。
神经理想与神经编码:用于神经网络分类和特征解释的代数框架
本文介绍了一种使用神经理想和神经编码的代数框架,用于分类和解释神经网络中的特征,并在MNIST数据集和开源可视化工具上进行了实际应用。