基于马赫-曾德尔干涉仪的光学矩阵乘法器的数据驱动建模
机器学习
2023-03-07 v2 神经与进化计算
光学
摘要
光子集成电路促进了光学神经网络的发展，由于光信号特别适合实现矩阵乘法，光学神经网络有望比电子神经网络更快且更节能。然而，对用于光学矩阵乘法的光子芯片进行精确编程仍然是一项艰巨的挑战。在此，我们描述了用于光学矩阵乘法器离线训练的简单解析模型与数据驱动模型。我们使用由包含马赫-曾德尔干涉仪网格的制造芯片获得的实验数据来训练和评估这些模型，该芯片实现了 3×3 矩阵乘法。在预测误差方面，基于神经网络的模型优于简单的基于物理的模型。此外，神经网络模型还能够预测覆盖 C 波段多达 100 个频率通道的矩阵权重的光谱变化。使用神经网络模型对芯片进行光学矩阵乘法编程，在多个机器学习任务上均带来了性能提升。
引用
@article{arxiv.2210.09171,
title = {Data-driven Modeling of Mach-Zehnder Interferometer-based Optical Matrix Multipliers},
author = {Ali Cem and Siqi Yan and Yunhong Ding and Darko Zibar and Francesco Da Ros},
journal= {arXiv preprint arXiv:2210.09171},
year = {2023}
}
备注
12 pages, 17 figures, submitted to Jorunal of Lightwave Technology