基于电信器件平台的通过时间上采样与可训练编码的光学神经形态计算
光学
2025-05-29 v2 应用物理
摘要
将输入信号映射到高维空间是各种神经形态计算范式中的关键概念，包括储备池计算（RC）和极限学习机（ELM）等模型。我们提议利用商用电信器件以及为高速光数据传输开发的技术，通过将光信号非线性映射到可应用线性处理的高维空间来实现这些模型。我们通过对输入信号应用时间上采样（以商用电信器件的速度）和成熟的波分复用（WDM）来操控输出特征维度。我们的上采样方法利用可训练的编码掩码，其中每个输入符号被替换为结构化的掩码符号序列，从而有效增加特征空间的表示能力。这为输入信号的动态相位掩码提供了极大的灵活性。我们在 RC 和 ELM 的背景下，使用现成的光子器件（包括半导体光放大器和非线性马赫-曾德尔干涉仪（MZI））演示了该方法。我们研究了如何根据输出状态增加的可控可分性和可预测性来表征这些器件提供的非线性映射。
引用
@article{arxiv.2501.03429,
title = {Optical neuromorphic computing via temporal up-sampling and trainable encoding on a telecom device platform},
author = {Egor Manuylovich and Dmitrii Stoliarov and David Saad and Sergei K. Turitsyn},
journal= {arXiv preprint arXiv:2501.03429},
year = {2025}
}