低功耗多模光纤投影仪战胜浅层神经网络分类器

在无序光子学领域,表征光学不透明材料以实现光操控与成像是主要目标。在各类复杂器件中,多模光纤因其高性价比与易操作性而脱颖而出,使其在多项任务中颇具吸引力。在此背景下,我们将这些光纤构建为随机硬件投影仪,将输入数据集变换为更高维的散斑图像集。我们研究的目的是证明:通过使用此类随机化数据训练单层 logistic 回归层进行分类,相比直接在原始图像上训练可提高准确率。有趣的是,我们发现所达成的分类准确率高于标准传输矩阵模型(一种描述光通过无序器件传输的广泛接受工具)所得结果。我们推测,这种性能提升的原因可能是硬件分类器在基于光纤数据训练时运行于损失景观更平坦的区域,这与当前深度神经网络理论一致。这些发现表明,多模光纤所实现的随机投影类对未见数据具有更好的泛化能力,使其成为光辅助神经网络中有前景的工具。事实上,通过本研究我们希望助力推进这些通用器件的认知与实际应用,它们可能在神经形态机器学习的未来发展中发挥重要作用。