利用参数平移法则计算酉光神经网络的梯度

本文探讨了参数平移法则在酉光神经网络中计算梯度的应用。虽然反向传播对训练传统神经网络至关重要，但由于光学系统的物理约束，其在光神经网络中的实现面临重大挑战。我们展示了如何将参数平移法则——通过评估平移参数值处的函数来计算梯度——有效地适配到由马赫-曾德尔干涉仪网络构成的酉光神经网络的训练中。该方法利用这些系统中光干涉固有的傅里叶级数性质，直接从硬件测量中计算精确解析梯度。该方法为传统计算机模拟训练方法提供了一种有前景的替代方案，并规避了有限差分近似和全光反向传播实现的局限性。我们提出了将参数平移法则应用于光神经网络相位参数优化的理论框架和实用方法，有望推进光计算系统高效硬件训练策略的发展。