多模光纤中利用时空混沌的光子神经网络

光学计算作为应对机器学习日益增长的计算需求（特别是对于需要大规模数据处理和高能效的任务）的潜在解决方案，已获得广泛关注。光学系统通过利用光的并行性，为数字神经网络提供了有前景的替代方案。本研究探索了一种利用渐变折射率多模光纤中的时空混沌来提升机器学习性能的光子神经网络设计。通过数值模拟和实验，我们表明多模光纤中的混沌光传播提高了跨领域的数据分类精度，包括生物医学成像、时尚和卫星地理空间分析。这种混沌光学方法能够实现高维变换，增强数据的可分离性和差异性，从而提高精度。微调诸如脉冲峰值功率等参数可以优化储层的混沌特性，这凸显了仔细校准的必要性。这些发现强调了基于混沌的非线性光子神经网络在推进机器学习光学计算方面的潜力，为高效、可扩展的架构铺平了道路。