集成光子神经网络中实现免反向传播学习的涌现式自适应
光学
2024-11-26 v1
摘要
可塑性自适应、非线性递归动力学和多尺度记忆是神经网络硬件实现的理想特性，因为它们使网络能够像生物大脑一样进行学习、适应和处理信息。在本工作中，我们通过实验证明了这些特性在光子神经元阵列中的出现。重要的是，这是以涌现的方式自主实现的，无需外部控制器设定权重，也无需全局奖励信号的显式反馈。利用由此类阵列构成的层级结构，并结合基于简单逻辑回归的免反向传播训练算法，我们在 MNIST 任务上取得了 98.2% 的性能，该任务是一项观察手写数字分类的流行基准任务。这种可塑性节点由覆盖有相变材料斑块的硅光子微环谐振器组成，该相变材料用于实现非易失性存储。该系统紧凑、鲁棒，并且可通过使用多种波长直接进行扩展。此外，它构成了一个独特的平台，能够以高处理速度测试并高效实现生物学上合理的学习方案。
引用
@article{arxiv.2312.03802,
title = {Emergent self-adaptation in an integrated photonic neural network for backpropagation-free learning},
author = {Alessio Lugnan and Samarth Aggarwal and Frank Brückerhoff-Plückelmann and C. David Wright and Wolfram H. P. Pernice and Harish Bhaskaran and Peter Bienstman},
journal= {arXiv preprint arXiv:2312.03802},
year = {2024}
}