金兹堡-朗道极化激元晶格系统中的神经形态计算
介观与纳米尺度物理
2019-06-19 v3 量子气体
摘要
海量数据的可用性以及高效处理数据的必要性推动了机器学习技术的快速发展。仅举数例，人工神经网络架构常用于金融预测、语音与图像识别、机器人、医学乃至科研。用于神经网络的直接硬件因克服软件实现的冯·诺依曼瓶颈而备受追捧。储备池计算（Reservoir Computing, RC）是一种新兴且日益流行的受生物启发的计算方案，有望实现高效的时间信息处理。我们展示了储备池计算在一般复金兹堡-朗道晶格模型中的适用性与性能，该模型恰当地描述了一大类系统的动力学，包括相干光子器件。特别地，我们提出该概念可 readily 应用于激子-极化激元晶格，其以空前的光子非线性为特征，为以约 1 Tbit (1/s) 量级的速率进行信号处理开辟了道路。
引用
@article{arxiv.1808.05135,
title = {Neuromorphic computing in Ginzburg-Landau polariton lattice systems},
author = {Andrzej Opala and Sanjib Ghosh and Timothy C. H. Liew and Michał Matuszewski},
journal= {arXiv preprint arXiv:1808.05135},
year = {2019}
}