A Single Layer Neural Network Implemented by a $4\times 4$ MZI-Based Optical Processor
Notice bibliographique
Résumé
Implementing any linear transformation matrix through the optical channels of an on-chip reconfigurable multiport interferometer has been emerging as a promising technique for various fields of study, such as information processing and optical communication systems. Recently, the use of multiport optical interferometric-based linear structures in neural networks has attracted a great deal of attention. Optical neural networks have proven to be promising in terms of computational speed and power efficiency, allowing for the increasingly large neural networks that are being created today. This paper demonstrates the experimental analysis of programming a 4 × 4 reconfigurable optical processor using a unitary transformation matrix implemented by a single layer neural network. To this end, the Mach-Zehnder interferometers (MZIs) in the structure are first experimentally calibrated to circumvent the random phase errors originating from fabrication process variations. The linear transformation matrix of the given application can be implemented by the successive multiplications of the unitary transformation matrices of the constituent MZIs in the optical structure. The required phase shifts to construct the linear transformation matrix by means of the optical processor are determined theoretically. Using this method, a single layer neural network is trained to classify a synthetic linearly separable multivariate Gaussian dataset on a conventional computer using a stochastic optimization algorithm. Additionally, the effect of the phase errors and uncertainties caused by the experimental equipment inaccuracies and the device components imperfections is also analyzed and simulated. Finally, the optical processor is experimentally programmed by applying the obtained phase shifts from the matrix decomposition process to the corresponding phase shifters in the device. The experimental results show that the optical processor achieves 72% classification accuracy compared to the 98.9% of the simulated optical neural network on a digital computer.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».