作为机器学习实现的光子延迟系统
Michiel Hermans、Miguel C.Soriano、Joni Dambre、Peter Bienstman、Ingo Fischer; 16(64):2081−2097, 2015.
摘要
非线性光子延迟系统为机器学习模型提供了有趣的实现平台。它们可以非常快，提供高度并行性，并且可能比数字处理器消耗更少的能量。到目前为止，它们已成功用于使用油藏计算范式的信号处理。本文表明，如果在系统模型上使用带时间反向传播的梯度下降法来优化此类系统的输入编码，则其适用范围可以大大扩展。我们进行了物理实验，证明获得的输入编码在实际中工作良好，并且我们表明优化系统的性能明显优于常用的水库计算方法。本文的结果表明，机器学习中的通用梯度下降技术很可能适用于物理神经激励模拟计算机。
[腹肌]
[pdf格式][围兜]
