Aprendizaje óptico extremo no lineal a través de reverberación de datos con luz incoherente

Área de la Ciencia:

• La fotónica es la fotónica.
• Aprendizaje automático Aprendizaje automático.
• La computación óptica es la computación óptica.

Sus antecedentes:

• Las redes neuronales artificiales (ANN) se enfrentan a desafíos debido a las altas demandas de energía y computacionales.
• Las redes neuronales ópticas (ONN) ofrecen un potencial de velocidad y eficiencia, pero están limitadas por débiles no linealidades.

Objetivo del estudio:

• Demostrar un aprendiz óptico extremo de baja potencia que supere las limitaciones de las ONN tradicionales.
• Aprovechar la "no linealidad de los datos" a través de reverberaciones de patrones ópticos, evitando la necesidad de materiales no lineales.

Principales métodos:

• Codificación de datos de entrada en la polarización espacial de una cavidad óptica a medida.
• Utilizando múltiples luces que pasan a través de la cavidad para inducir transformaciones no lineales.
• Empleando una lectura simple para tareas de clasificación y benchmarking.

Principales resultados:

• El aprendiz óptico logró transformaciones no lineales a una potencia óptica extremadamente baja.
• Superó a las redes digitales lineales en clasificación de imágenes y puntos de referencia XOR.
• La precisión coincidía con la de los modelos digitales totalmente no lineales.

Conclusiones:

• El aprendiz óptico extremo desarrollado ofrece un enfoque compacto, energéticamente eficiente y rentable para el aprendizaje automático totalmente óptico.
• Este método reduce la complejidad y el consumo de energía, allanando el camino para plataformas ópticas escalables.
• La técnica elimina la dependencia de materiales intrínsecos no lineales, simplificando los requisitos de hardware.