通过基于非线性光学斑点场的受体来解决分类任务
B Paroli1, G Martini1, M A C Potenza1
1CIMAINA and Dipartimento di Fisica, Università degli Studi di Milano, via G. Celoria 16, 20133, Milan, Italy.
概括
研究人员开发了一种用于神经形态计算的新型"受体"模型,比使用光学硬件解决复杂问题的传统感知子提供了优势.
科学领域:
- 神经形态计算是一种神经形态计算.
- 光学计算是指光学计算的应用.
- 人工智能 硬件 硬件
背景情况:
- 计算中的能源消耗是一个重大挑战.
- 光子人工神经网络 (ANN) 和纳米级连接网络正在探索神经形态计算.
- 这些网络表现出新兴的复杂性,自我组织和非线性,模仿生物神经网络.
研究的目的:
- 提出和正式化一个称为"受体"的概括感知子模型.
- 为了证明接收子在解决复杂的计算问题的优势.
- 实现基于接收器模型的全光学设备,以实现高效的数据处理.
主要方法:
- 用非线性依赖输入权重的受子模型的正式化.
- 实现一个全光学装置,利用光学斑点场的非线性.
- 编码斑点字段以生成各种布尔函数用于分类任务.
主要成果:
- 接收子模型用单个装置解决非线性可分离的布尔函数,性能优于标准的感知子.
- 通过调整模型参数,有效地解决了各种类别的布尔函数.
- 证明了用于神经形态数据处理的全光学实现的可行性.
结论:
- 与传统的感知子相比,感知子模型在分类任务中提供了显著的优势.
- 全光学实现为神经形态计算提供了新,简单的硬件的途径.
- 这项研究为节能光学数据处理开辟了新的途径.


