基于波动混沌的芯片级极端学习
光学
2025-08-28 v1 无序系统与神经网络
机器学习
混沌动力学
摘要
随着对可扩展且高效能的人工神经网络需求的增长，针对 novel hardware 解决方案的关注度提高。集成光子学提供了一个紧凑、并行且超快的信息处理平台，特别适合 extreme learning machine（ELM）架构。我们在实验中演示了一个基于波动混沌干涉的芯片级光子 ELM。通过将输入信息编码在外部单频可调激光源的波长上，我们利用了此类光子共振器注入对波长高度敏感的特性。我们使用直接激光写入在玻璃上制成的 SU-8 聚合物微腔。一个围绕半球体的散射墙作为 readout 层，收集与腔体漏泊模式相关的光。我们报告了在对输入波长进行高分辨率扫描后，散射屏障上纹路的非相关且非周期行为。最后，我们对系统在四个在本质上不同的基准任务中的分类性能进行表征。由于我们可以通过测量散射屏障的不同部分来控制 ELM 输出节点的数量，我们演示了根据每个任务所需的性能来优化光子 ELM 的 readout 大小的能力。
引用
@article{arxiv.2508.19878,
title = {On-chip wave chaos for photonic extreme learning},
author = {Matthew R. Wilson and Jack A. Smith and Michael J. Strain and Xavier Porte},
journal= {arXiv preprint arXiv:2508.19878},
year = {2025}
}