Die Studie untersucht die Leistungsfähigkeit photonischer neuronaler Netzwerke, die auf der Superkontinuumerzeugung in photonischen Kristallfasern basieren. Die Autoren zeigen, dass die Stärke der optischen Nichtlinearität eine entscheidende Rolle für die Leistung des Systems spielt.
Bei geringer Nichtlinearität kann das Netzwerk Regressions- und Klassifikationsaufgaben mit hoher Genauigkeit lösen, da die Nichtlinearität die Dimensionalität des Eingangssignals erhöht. Wenn die Nichtlinearität jedoch zu stark wird und zur Erzeugung eines oktavüberspannenden Superkontinuums führt, verschlechtert sich die Leistung drastisch. Dies liegt daran, dass das Superkontinuum eine Art "Informationsverlust" durch Abbildung vieler Eingangssignale auf ähnliche Ausgangsspektren verursacht, was die Unterscheidbarkeit der Datensätze beeinträchtigt.
Die Autoren zeigen diese Zusammenhänge anhand von Experimenten mit verschiedenen Datensätzen (Sinc-Regression, Iris-Klassifikation, Lebererkrankungsklassifikation) und unterschiedlichen Spitzenleistungen der Eingangspulse. Sie betonen, dass für eine optimale Leistung des photonischen neuronalen Netzwerks ein sorgfältiges Abstimmen der optischen Nichtlinearität erforderlich ist, um einen Kompromiss zwischen Dimensionalitätserhöhung und Informationserhalt zu finden.
Para outro idioma
do conteúdo fonte
arxiv.org
Principais Insights Extraídos De
by Azka... às arxiv.org 03-13-2024
https://arxiv.org/pdf/2403.07667.pdfPerguntas Mais Profundas