Photonic Perceptron Based on a Kerr Microcomb for High‐Speed, Scalable, Optical Neural Networks
Notice bibliographique
Résumé
Abstract Optical artificial neural networks (ONNs)—analog computing hardware tailored for machine learning—have significant potential for achieving ultra‐high computing speed and energy efficiency. A new approach to architectures for ONNs based on integrated Kerr microcomb sources that is programmable, highly scalable, and capable of reaching ultra‐high speeds is proposed here. The building block of the ONN—a single neuron perceptron—is experimentally demonstrated that reaches a high single‐unit throughput speed of 11.9 Giga‐FLOPS at 8 bits per FLOP, corresponding to 95.2 Gbps, achieved by mapping synapses onto 49 wavelengths of a microcomb. The perceptron is tested on simple standard benchmark datasets—handwritten‐digit recognition and cancer‐cell detection—achieving over 90% and 85% accuracy, respectively. This performance is a direct result of the record low wavelength spacing (49 GHz) for a coherent integrated microcomb source, which results in an unprecedented number of wavelengths for neuromorphic optics. Finally, an approach to scaling the perceptron to a deep learning network is proposed using the same single microcomb device and standard off‐the‐shelf telecommunications technology, for high‐throughput operation involving full matrix multiplication for applications such as real‐time massive data processing for unmanned vehicles and aircraft tracking.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».