非线性光子网络激光中的少样本神经形态视觉
无序系统与神经网络
2026-03-13 v5 介观与纳米尺度物理
材料科学
光学
摘要
随着AI的不断增长，对于能够从有限数据中提取结构的硬件需求日益增长。在视网膜中，视网膜细胞通过侧抑制检测稀疏输入的特征，其中神经元通过抑制邻近细胞的活动来实现抑制。生物神经元表现出多样化的异质非线性响应，这与稳健的学习和在小数据场景中的卓越性能相关。本文引入了一个受视网膜启发的光子计算系统，其中随机网络激光中的竞争激光模式充当异质、抑制耦合的神经元——实现特征检测、少样本分类和分割。这种硅兼容方案利用异质的兴奋性和抑制性非线性物理动力学，产生涌现的光子计算行为，包括并行特征检测和在训练数据稀缺时表现出色。我们报告在MNIST和Fashion-MNIST上的准确率分别为98.05%和87.85%，在BreaKHis癌症诊断上达到90.12%——在训练样本数为几百张图片的少样本和类别不平衡场景下，超过了软件CNN包括EfficientNetV2和视觉转换器ViT。我们在HAM10k皮肤瘤数据集上实现了组合分割和分类，获得DICE和Jaccard得分分别为84.49%和74.80%。这些结果表明随机激光网络作为非线性光子学习系统的潜力，以及异质非线性动力学在挑战性小数据场景中支持强学习能力。
引用
@article{arxiv.2407.15558,
title = {Few-Shot Neuromorphic Vision in a Nonlinear Photonic Network Laser},
author = {Wai Kit Ng and Jakub Dranczewski and Anna Fischer and T V Raziman and Dhruv Saxena and Tobias Farchy and Kilian Stenning and Jonathan Peters and Heinz Schmid and Will R Branford and Mauricio Barahona and Kirsten Moselund and Riccardo Sapienza and Jack C. Gartside},
journal= {arXiv preprint arXiv:2407.15558},
year = {2026}
}