通过驱动-耗散动力学实现原位学习和记忆形成的可重构非线性光子网络

光子神经形态计算通过利用光学系统的高带宽、低延迟和大规模并行性，为克服传统冯·诺依曼架构的局限性提供了一条有前景的途径。然而，大多数现有实现依赖于固定的动力学基底，例如经典的储备池计算，其中学习仅限于外部读出层，记忆也仅限于瞬态衰减效应。在这项工作中，我提出了一种可重构非线性光子决策网络（RNPDN），这是一个基于物理的神经形态框架，其中计算、记忆和学习直接从驱动-耗散动力学中涌现。通过数值模拟，我展示了关键特性的同时实现：实现自适应状态演化的局部物理学习规则、由衰减和迟滞机制控制的可调稳定性-可塑性权衡、通过双稳态光子态实现的受控记忆形成与擦除、衰减记忆、原位学习以及包含饱和与耗散的硬件忠实非线性动力学。与传统方法相比，所提出的系统能够在物理层内实现内在适应，同时支持瞬态和持久记忆。这些结果为自适应光子信息处理建立了一个统一框架，并为可扩展且节能的神经形态光子硬件提供了一条途径。