Dec, 2023

基于光纤环结构的储存计算的波长复用延迟输入增强

PDF
TL;DR我们通过数值模拟展示了一种基于硅添加 - 删除微环的储备计算方案，该方案结合了并行延迟输入和波分复用。该方案在不需要外部光学反馈的情况下，能够成功地解决如时间序列预测等对内存要求较高的任务，并表现出良好的性能。
silicon add-drop microringreservoir computingparallel delayed inputswavelength division multiplexingtime-series prediction
发现论文，激发创造
  • 多并行任务时间延迟洪脉冲共振集成硅微环并联 WDM

    我们通过数值计算证明了一种基于微环的时延储存计算方案，能够同时解决涉及时间序列预测、分类和无线信道均衡的三个任务，在多波长复用信道上实现了优化功率和频率失调的最新性能。

    Oct, 2023

  • 基于硅微环共振器非线性特性的时滞储层计算的存储容量分析

    通过使用硅微环共振器中的非线性效应，如自由载流子色散和热光效应，将信息映射到更高的维度空间，并通过添加外部波导实现具有增强记忆的延时非线性光子储存器 (TDRC)。在 TDRC 中，非线性效应取决于物理特性，而非线性动态的正确量化有利于实现最佳性能。因此，我们以时间常数和热效应为函数来量化基于微环的 TDRC 方案的非线性和线性内存容量，并分析了 TDRC 动态生成的参数空间，以确定满足传统 RC 任务的输入信号功率和频率偏移范围。

    Jun, 2024

  • 仅使用延迟输入进行物理库计算的高效优化

    通过使用光电装置验证了一种最近提出的储层计算优化技术的实验。储层计算是一种强大的信号处理应用框架，而高效优化方法的发展仍是一个关键挑战。我们的技术仅利用输入信号的延迟版本来识别储层的最佳操作区域，简化了传统耗时的超参数调整任务。我们验证了这种方法在不同基准任务和储层操作条件下的有效性。

    Jan, 2024

  • 自由载流子非线性对基于硅微环的水库计算的影响

    本论文研究了利用硅微环谐振器实现时间延时储层计算中热光和自由载流子效应的影响，并确定了泵浦功率和频率失谐范围，使得数据拟合误差小于 0.05，满足 NARMA-10 任务要求。

    Jul, 2023

  • 基于硅微环的储备计算中腔体非线性和线性损耗的效应

    微环共振器是时间延迟光子储层计算的有希望的设备，通过数值分析我们发现不同物理效应对于数据预测准确性的影响，研究结果揭示了三个区域，这些区域定义了线性到非线性的腔体转变，其中一个区域在输入功率和光源与微环谐振频差之间表现出较低的预测误差，这项研究为改进时间延迟储层计算的预测表现提供了设计微环共振器和优化其物理特性的见解。

    Oct, 2023

  • 深度时间延迟库隆算法：动态和存储容量

    使用深度时滞水库计算的方法，通过分析条件 Lyapunov 指数和系统到分岔点的距离，调节线性和非线性记忆容量的分布，得出了高非线性或长时间线性记忆容量的系统设计。

    Jun, 2020

  • 光频梳和可编程光记忆的高光谱内存计算

    我们提出了一种超光谱存储体系结构，通过将空间复用与频率复用光频梳相结合，并利用空间光调制器作为可编程光学存储器，从而提高计算吞吐量和能源效率。我们在矩阵 - 向量乘法和矩阵 - 矩阵乘法中实验性地演示了高于 4 位精度的乘累加运算，这表明了该系统在各种深度学习和优化任务中的潜力。我们的方法展示了超越传统光学计算体系结构的非凡模块化性，可扩展性和可编程性，并显着超越了 peta（每秒百万亿次）操作，标志着实现高吞吐量、高能效光学计算的重要进展。

    Oct, 2023

  • 注意力增强的储备计算

    光子储水池计算作为加速时间序列预测的硬件实现需求的最新技术，已被广泛运用，然而在预测混沌时间序列方面，传统的储水池计算模型在准确性方面存在一定局限性，因此我们引入了一种注意力机制，用于增强储水池计算模型输出阶段的预测准确性，实验结果表明，采用注意力机制的光子储水池计算能够提高较小储水池的预测能力，这些进展凸显了储水池计算在准确预测混沌时间序列的实际应用中的变革性可能性。

    Dec, 2023

  • 用于时间数据处理的高效能量自适应电容物理储备计算系统

    利用可变生物膜基 memcapacitor 作为 reservoir，在分类和分析时间序列数据的仿真和实验中实现了 98％的口语数字分类准确率和 0.0012 的非线性回归任务正常化均方误差。

    May, 2023

  • 基于微环的非相干光子 GEMM 加速器的比较分析

    这篇论文研究了基于微环共振器 (MRR) 的模拟光子结构，在深度神经网络中加速通用矩阵乘法 (GEMM) 并具有出色的吞吐量和能效。作者通过分析了调制 - 聚合 - 分拆 - 加权 (MASW)、聚合 - 分拆 - 调制 - 加权 (ASMW) 和分拆 - 调制 - 加权 - 聚合 (SMWA) 的三种不同调制顺序，发现这些组织在电路级的串扰噪声和光信号损失以及系统级的吞吐量和能量区域能够带来不同程度的影响。评估结果显示，相比于 ASMW 和 MASW，SMWA 组织在平均下达到了分别多达 4.4 倍、5 倍和 5.2 倍的吞吐量、能效和面积能量效率提升。

    Feb, 2024