用可重新配置的模拟光子神经网络展示了扩展的卡尔曼波器

科学领域:

• 光子学 是一个光子学.
• 人工智能的人工智能
• 控制系统 控制系统

背景情况:

• 光子神经网络 (PNN) 为高速计算提供了潜力.
• 将PNN与数字系统集成为现实世界的应用提出了挑战.
• 在光子系统中,固定点算术可能会导致量子化错误.

研究的目的:

• 为了演示可重新配置的固定点PNN用于运动跟踪.
• 评估PNN与数字浮点网络的性能.
• 评估PNN处理噪音数据的能力,避免错误的积累.

主要方法:

• 开发了一种连贯的光子处理器,与数字架构接口.
• 使用扩展的卡尔曼波器 (EKF) 实现了固定点PNN用于运动跟踪.
• 在两个应用中测试了PNN:抑制振荡器运动跟踪和RC电路电压监控.

主要成果:

• 该PNN的性能与数字浮点网络的性能相当.
• 在大约500个时间步骤中积累的没有显著的跟踪错误.
• 在两个证明的应用中,提高了噪音观测的不确定性超过4倍.

结论:

• 固定点PNN可以有效地用于运动跟踪任务.
• 光子实现可以实现高精度,尽管量子化错误.
• 开发的PNN显示了对高效和准确的实时数据处理的承诺.