纤维光学极限学习机的非线性推理容量
光学
2025-10-15 v2
摘要
非线性光学现象的内在复杂性为类脑计算提供了根本新的资源，potentially 解决人工智能日益紧迫的能源需求。我们提出并研究了纤维基光学极限学习机中非线性推理容量的概念。我们表明，这种容量随非线性程度而扩展，甚至在可扩展的非线性分类基准上超过了具有五个隐藏层的深度神经网络模型。通过在不同操作条件下比较正常色散和异常色散纤维，并对比数字分类器，我们观察到系统非线性动力学与其分类性能之间存在直接相关性。我们的发现表明，图像识别任务（如MNIST）在完整展示类比硬件的深度计算能力方面仍有不足。我们的方法为评估和比较不同物理和数字平台（尤其是其模仿深度网络能力）的计算能力提供了框架，为非传统、受物理启发的计算体系结构奠定了更广泛的基准测试集。
引用
@article{arxiv.2501.18894,
title = {Nonlinear Inference Capacity of Fiber-Optical Extreme Learning Machines},
author = {Sobhi Saeed and Mehmet Müftüoglu and Glitta R. Cheeran and Thomas Bocklitz and Bennet Fischer and Mario Chemnitz},
journal= {arXiv preprint arXiv:2501.18894},
year = {2025}
}
备注
14 pages, 6 main figures, 4 appendix figures