MétaCan
Menu
Retour à la cohorte
Enregistrement W3014583102 · doi:10.1063/1.5144121

Demonstration of scalable microring weight bank control for large-scale photonic integrated circuits

2020· article· en· W3014583102 sur OpenAlexaff
Chaoran Huang, Simon Bilodeau, Thomas Ferreira de Lima, Alexander N. Tait, Y. Philip, Eric C. Blow, Aashu Jha, Hsuan-Tung Peng, Bhavin J. Shastri, Paul R. Prucnal

Notice bibliographique

RevueAPL Photonics · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Reservoir Computing
Établissements canadiensQueen's University
Organismes subventionnairesOffice of Naval ResearchDefense Advanced Research Projects Agency
Mots-clésScalabilityPhotonic integrated circuitPhotonicsElectronic circuitElectronic engineeringComputer scienceCalibrationResonatorIntegrated circuitCrosstalkModulation (music)Optical switchChannel (broadcasting)Materials scienceOptoelectronicsEngineeringElectrical engineeringTelecommunicationsPhysics

Résumé

récupéré en direct d'OpenAlex

Microring resonators (MRRs) are reconfigurable optical elements ubiquitous in photonic integrated circuits. Owing to its high sensitivity, MRR control is very challenging, especially in large-scale optical systems. In this work, we experimentally demonstrate continuous, multi-channel control of MRR weight banks using simple calibration procedures. A record-high accuracy and precision are achieved for all the controlled MRRs with negligible inter-channel crosstalk. Our approach allows accurate transmission calibration without the need for direct access to the output of the microring weight bank and without the need to lay out electrical and optical I/Os specific for calibration purpose. These features mean that our MRR control approach can be applied to large-scale photonic integrated circuits while maintaining its accuracy with manageable cost of chip area and I/O complexity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,224
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations121
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAPL PhotonicsMême sujetNeural Networks and Reservoir ComputingTravaux en français237 207