在多层感知神经网络中,基于光学注入到可视化法布里-佩罗激光器的可重新配置全光学激活单元的应用

科学领域:

• 光电学是指光电子产品.
• 机器学习 机器学习
• 光学计算是指光学计算的应用.

背景情况:

• 多层感知光学神经网络需要高效的全光学激活单元.
• 现有的激活单元往往缺乏重新配置性,限制了性能优化.
• 半导体激光器为高速光学信号处理提供了潜力.

研究的目的:

• 理论上研究一个可二元化的半导体激光器作为一个全光学激活单元.
• 为了展示可重新配置的Sigmoid-like激活函数,具有可调节的参数.
• 为了对拟议单位在机器学习图像识别任务上的表现进行基准测试.

主要方法:

• 在光学注射下,理论建模一个可二重定位的Fabry-Perot半导体激光器.
• 编程激光设备以提供可调节的激活功能.
• 使用双层感知神经网络对MNIST和时尚-MNIST数据集进行基准测试.

主要成果:

• 拟议的单元提供可重新配置的Sigmoid-like激活功能,可调节值和和点.
• 通过调整控制参数,可实现高达2%的精度改进.
• 分别在MNIST和时尚-MNIST上演示了95%和85%的推理准确度.

结论:

• 双导半导体激光器是一种可行的全光学激活单元,用于光学神经网络.
• 激活函数的重新配置可提高机器学习性能.
• 拟议的设备显示了对高效的光学神经网络实施的希望.