- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于电调制下具有光学反馈的半导体纳米激光器的高速神经形态储备池计算
摘要： 首次提出并数值验证了一种基于电调制半导体纳米激光器（带光学反?。┑母咚偕窬翁⒈赋丶扑阆低常⊿NL基RC）。采用圣塔菲混沌时间序列预测任务来量化该SNL基RC系统的预测性能，全面分析了珀塞尔腔增强自发辐射因子F和自发辐射耦合因子β对所提RC系统的影响。研究发现：总体上增大F和β可扩展SNL基RC系统的良好预测性能范围。同时考察了偏置电流与反馈相位的影响。由于SNL中超短的光子寿命，该SNL基RC系统的信息处理速率达到10Gbps。本文提出的高速SNL基RC系统为设计基于RC的集成神经形态光子系统提供了理论指导。
关键词： 自发辐射耦合因子、珀塞尔因子、储层计算、半导体纳米激光器、延迟系统
更新于2025-09-23 15:21:01
-
基于相互耦合半导体激光器的储备池计算系统实现并行信息处理
摘要： 通过非线性信道均衡和Santa-Fe时间序列预测，数值模拟验证了基于两个相互耦合半导体激光器的储备池计算（RC）系统的并行处理能力。结果表明：当并行处理两个速率为0.25 GSa/s的Santa-Fe时间序列预测任务时，最小预测误差分别为3.8×10??和4.4×10??；并行处理两个非线性信道均衡任务时，两项任务的最小符号误码率（SER）均为3.3×10??；当并行处理一个非线性信道均衡任务和一个Santa-Fe时间序列预测任务时，非线性信道均衡的最小SER为6.7×10??，Santa-Fe时间序列预测的最小预测误差为4.6×10??。
关键词： 圣菲时间序列预测、并行处理、储层计算、非线性信道均衡、半导体激光器
更新于2025-09-19 17:13:59
-
用于预测混沌激光脉冲振幅的机器学习算法
摘要： 通过分析混沌系统的输出信号来预测其动态变化是一个具有挑战性的问题，在现代科学的大多数领域都有应用。在本研究中，我们采用激光模型比较了几种机器学习算法对即将发射的混沌脉冲振幅进行预测的性能。我们模拟了光学注入半导体激光器的动力学行为——当参数改变时，该系统会呈现丰富多样的动态状态。我们重点关注一种可能产生超强强度脉冲（类似畸形波）的特殊动态状态。通过对比深度学习、支持向量机、最近邻算法和储层计算等主流机器学习方法的预测效果，最终分析了这些方法预测下一个光脉冲高度的性能如何受噪声强度和训练所用时间序列长度的影响。
关键词： 混沌系统、激光脉冲、储层计算、深度学习、预测、支持向量机、机器学习、最近邻算法
更新于2025-09-16 10:30:52
-
利用储层计算交叉预测光注入单模半导体激光器的动力学特性
摘要： 在实际的动态系统中，技术限制可能导致无法完全获取其动态变量。这种信息缺失可能引发重大问题，特别是在需要监测或控制系统动态、或需基于系统动态状态做出决策时。因此，对缺失数据进行交叉预测具有重要研究价值。本研究采用基于储备池计算的机器学习算法，对混沌动态激光系统的未知变量进行交叉预测。我们特别选取了光注入单模半导体激光器的真实模型——虽然激光强度通常易于获取，但实时测量电场相位和载流子状态虽在技术上可行，却需要更复杂的实验方案。研究表明：若算法预先利用全部三个变量进行有限时段训练，仅需已知其中一个变量就能准确重建描述激光器状态的三维动态变量中的任意两个。我们分析了该方法精度与激光系统参数及储备池参数的关联关系，并测试了时间序列添加噪声时交叉预测方法的鲁棒性。所提出的储备池计算状态观测器可应用于多个领域，包括时间序列重建、缺失时序数据恢复，以及基于激光混沌同步的密码学数据加密安全性测试。
关键词： 储层计算、混沌动力学、交叉预测、机器学习、半导体激光器
更新于2025-09-16 10:30:52
-
利用激光动力学进行储层计算与决策的光子加速器
摘要： 光子加速器是人工智能领域光子技术的一种新范式，该系统能够加速电子计算中的信息处理。储层计算与决策方案是光子加速器极具前景的应用实例。本研究阐述了基于复杂光子学的储层计算与决策架构最新进展，其中光的物理特性（包括具有光学反馈的半导体激光器超快动力学）在光子加速器中起着关键作用。
关键词： 储层计算、光反馈、光子加速器、决策制定、半导体激光器
更新于2025-09-16 10:30:52
-
具有延迟光学反馈的半导体激光器在储层计算中的任务无关计算能力
摘要： 储层计算重新点燃了光子学中的神经形态计算研究。其中最简单的技术实现方案是采用具有延迟光学反馈的半导体激光器。在这种基于延迟的架构中，虚拟节点以特定节点间距在时间维度上分布，形成时分复用网络。通常通过让激光储层计算机执行特定基准任务来评估其信息处理性能。本研究将展示该系统在混沌时间序列预测基准任务中的最优表现，但核心目标是采用与具体任务无关的方式分析储层性能——通过计算表征系统可处理独立运算总量的"计算容量"指标来实现。我们重点探究了计算容量与掩模程序参数的关联性，发现计算容量对虚拟节点间距极为敏感，当节点间隔为30皮秒时达到最佳值。此外研究表明，通过精确调控延迟时间与输入数据采样时间之间的失配度，还可进一步提升计算容量。
关键词： 储层计算、神经形态计算、延迟、反馈、半导体激光器
更新于2025-09-12 10:27:22
-
[2019年德国慕尼黑国际激光与光电会议暨欧洲量子电子学会议（CLEO/Europe-EQEC）（2019年6月23日-27日）] 2019年欧洲激光与光电会议暨欧洲量子电子学会议（CLEO/Europe-EQEC）——相干空间并行光储备池的相位噪声鲁棒性
摘要： 储层计算是一种特别适合处理时序信息的机器学习技术，同时也非常适用于实验实现，尤其是光子学实现。在本研究中，我们提出了一系列策略来提升基于无源稳频相干光子腔的空间并行储层计算机对相位噪声的鲁棒性。该系统（详见文献[4]）目前正由我们实验室开发，其核心是一个线性法布里-珀罗谐振腔——神经元以输入镜平面9×9聚焦光点阵列的形式编码，并通过0.5GHz频段的非线性读出模块实现。神经元间耦合由置于腔体后平面的空间光调制器(SLM)实现，并针对每项任务进行优化。我们展示了四电平信道均衡任务的数值模拟结果，发现NARMA10任务也呈现相似特性。
关键词： 法布里-珀罗谐振腔、空间光调制器、相位噪声鲁棒性、储层计算、光子实现
更新于2025-09-11 14:15:04
-
[IEEE 2019欧洲激光与光电子学会议暨欧洲量子电子学会议(CLEO/Europe-EQEC) - 德国慕尼黑(2019.6.23-2019.6.27)] 2019年欧洲激光与光电子学会议暨欧洲量子电子学会议(CLEO/Europe-EQEC) - 基于无序肿瘤球体的光学神经网络
摘要： 光学神经形态计算以光速处理信息，但需要对深层结构进行精细设计与制造，这极大阻碍了大规模光子学习机器的发展[1,2]。储层计算等新范式[3]表明，无序材料和生物材料等类脑复杂系统可能实现仅需在输入端和输出端训练的数千计算节点人工神经网络。本研究采用真实脑细胞构建生物启发式光神经网络，可提取成像方法无法获取的癌症形态动力学与化疗信息[4]。具体而言，我们将胶质母细胞瘤肿瘤球体作为三维深度计算储层——其中数千个细胞充当输入光束的波混频节点。这类肿瘤模型广泛用于肿瘤学研究，是探究复杂细胞间相互作用及抗癌疗法的理想平台。在我们的混合生物/光子方案中，肿瘤细胞层构成光神经网络的衍射深层结构[图1(a)]。通过利用无序结构中的结构化光传播[5]，我们证明该随机神经网络是能在透射平面执行编程功能的通用光学插值器。通过对肿瘤脑细胞施加热刺激或化学刺激，我们调控活体储层的内部权重及其功能。训练完成后，该活体光神经网络的响应能追踪亚细胞级癌症形态动力学变化——这是更具侵入性的光学成像技术所无法检测的。图1(b)展示了红外泵浦激光致热引发的形态动力学传感。此外，我们追踪了肿瘤模型中超越简单无约束生长的细胞过程；图1(c)显示网络输出可量化化疗抑制肿瘤生长的效果。该方案实现了至少比常规成像灵敏度高一个数量级的无创智能细胞毒性检测探针。这种随机混合光子/活体系统是用于肿瘤动力学实时计算与研究的全新人工机器。
关键词： 光学神经网络、癌症形态动力学、无序肿瘤球体、储层计算、神经形态计算、化疗
更新于2025-09-11 14:15:04
-
[IEEE 2018年第24届国际模式识别会议(ICPR) - 中国北京(2018.8.20-2018.8.24)] 2018年第24届国际模式识别会议(ICPR) - 基于未训练卷积神经网络的储层计算用于图像识别
摘要： 储层计算因其训练过程简便且能处理时序数据而备受关注。该系统由表示为稀疏连接循环神经网络的储层部分和表示为简单回归模型的读出部分构成。在机器学习任务中，储层部分固定不变，仅需训练读出部分。虽然储层计算主要应用于时间序列预测与识别，但通过将图像数据视为像素值序列，同样可应用于图像识别。然而要利用原始图像数据实现高性能图像识别，需要包含大量神经元的大规模储层，这在计算机内存和计算成本方面形成瓶颈。为突破这一限制，我们提出将储层计算与未训练卷积神经网络相结合的新方法：在储层计算的预处理阶段，使用未训练卷积神经网络将原始图像数据转换为更小规模的特征图集。实验表明，相比既有研究，本方法能用更少可训练参数在图像识别任务中达到更高的分类准确率。
关键词： 储层计算、图像识别、未训练网络、卷积神经网络
更新于2025-09-09 09:28:46