MétaCan
Menu
Retour à la cohorte
Enregistrement W4214939304 · doi:10.1117/12.2614131

Broadband radio-frequency signal processing with neuromorphic photonics

2022· article· en· W4214939304 sur OpenAlex
Eric C. Blow, Thomas Ferreira de Lima, Hsuan-Tung Peng, Weipeng Zhang, Chaoran Huang, Bhavin J. Shastri, Paul R. Prucnal

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Reservoir Computing
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésNeuromorphic engineeringPhotonicsBroadbandComputer scienceSilicon photonicsRadio frequencyBandwidth (computing)Signal processingElectronic engineeringRadarOptoelectronicsArtificial neural networkTelecommunicationsPhysicsEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Microwave photonics and neuromorphic photonics are two parallel research areas which have simultaneously emerged at the forefront of next generation processors. These fields, while initially independent, are naturally converging to a combined silicon photonic platform. An optical processing approach yields wide bandwidth, low latency, and dense interconnection. These photonic systems are capable of supporting applications previously unfeasible. Systems such as photonic cancellers, photonic blind source separation, photonic recurrent neural networks for RF fingerprinting, and photonic neural networks for nonlinear dispersion compensation. This paper will focus on the convergence of microwave photonics and neuromorphic photonics towards an RF optimized machine learning solution. Additionally, this paper investigated the RF noise performance of neuromorphic photonic front-end. The results indicated poor RF performances, leading to the proposal of a balanced linear front-end for noise figure reduction.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,699
Score d'incertitude au seuil0,585

Scores Codex et Gemma par catégorie

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

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 Opus0,018
Tête enseignante GPT0,208
Écart entre enseignants0,189 · 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

En bref

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNeural Networks and Reservoir ComputingTravaux en français237 207