平行和深水库计算使用半导体激光器与光学反
Hiroshi Hasegawa1, Kazutaka Kanno1, Atsushi Uchida1
1Department of Information and Computer Sciences, Saitama University, 255 Shimo-okubo, Sakura-ku, Saitama City, Saitama 338-8570, Japan.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
多个光子储库可以改善机器学习任务. 混合配置优于单个,并行和深度设置,用于混乱的预测和通道均等,提高边缘计算潜力.
科学领域:
- 光学和光子学 在光学和光子学.
- 机器学习 机器学习
- 非线性动力学是一种非线性动力学.
背景情况:
- 光子储库计算 (PRC) 提供了高效的机器学习解决方案.
- 在单个水库中,对连接重量的有限训练限制了性能.
- 多个水库可以克服这些局限性.
研究的目的:
- 调查基于延迟的全光学PRC的并行和深度配置.
- 建议混合配置,结合并行和深度方法.
- 在复杂的计算任务中提高PRC性能.
主要方法:
- 使用半导体激光器与光学反用于全光学PRC.
- 实现并行和深水库配置.
- 对混乱时间序列预测,非线性通道均等化和内存容量任务的评估性能.
主要成果:
- 深层水库在混乱的时间序列预测方面出色.
- 平行水库对于非线性通道平衡是最优的.
- 混合水库在所有测试任务中都表现出卓越的性能.
结论:
- 多个水库配置显著提高了PRC的性能.
- 混合动力配置提供了最强大的和多功能解决方案.
- 优化的多个存储库显示了高性能边缘计算应用的前景.


