高度非线性光纤极端学习机的原理与指标
光学
2025-10-03 v2 新兴技术
摘要
光子计算通过利用光的内在特性实现超高速低延迟计算。本文探讨了将高度非线性光纤（HNLF）作为光子计算平台，基于极端学习机（Extreme Learning Machines）的概念进行实现。首次引入任务无关评估，聚焦于有效维度和一致性等基本指标，对不同非线性和色散条件下的 HNLF 进行实验表征。我们表明，输入功率和光纤特性对计算系统的维度具有显著影响，长度更长的光纤和更高的色散可在输入功率为 30 mW 时产生最高可达 100 个主成分（PC），其中 PC 对应于系统的线性无关维度。PC 特征向量的谱分布揭示了位于泵浦波长 1560 nm 附近 40~nm 区域的高维动力学，这些动力学通过维度扩张实现计算。任务相关结果表明 HNLF 在分类 MNIST 数据集图像方面效果显著。通过 PC 分析进行输入数据压缩，我们将不同输入维度的 MNIST 图像注入系统，研究输入功率对分类精度的影响。在优化功率下实现了 88{\%} 的分类测试准确率，显著优于线性系统的 83.7{\%} 基线。值得注意的是，我们发现最佳性能并非在最大输入功率（即最大系统维度）下获得，而是在比最大功率高出一个数量级以下的功率水平。同样适用于 MNIST 图像的压缩，其中在将图像强压缩至少于 50 个 PC 时，准确率显著提高。
引用
@article{arxiv.2501.05233,
title = {Principles and Metrics of Extreme Learning Machines Using a Highly Nonlinear Fiber},
author = {Mathilde Hary and Daniel Brunner and Lev Leybov and Piotr Ryczkowski and John M. Dudley and Goëry Genty},
journal= {arXiv preprint arXiv:2501.05233},
year = {2025}
}