MétaCan
Menu
Retour à la cohorte
Enregistrement W4388214390 · doi:10.1109/psc57974.2023.10297236

Mitigating Phase Error Accumulation in Programming MZI-Based Optical Processors

2023· article· en· W4388214390 sur OpenAlexaff
S. Mohammad Reza Safaee, Kaveh Hassan R. Mojaver, Odile Liboiron-Ladouceur

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Reservoir Computing
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceDiagonalNetwork topologyDistortion (music)InterferometryPath (computing)Topology (electrical circuits)Optical pathPhase (matter)Mesh networkingRealization (probability)AlgorithmElectronic engineeringOpticsMathematicsTelecommunicationsEngineeringComputer networkPhysicsBandwidth (computing)

Résumé

récupéré en direct d'OpenAlex

The practical implementation of reconfigurable interferometric-based optical processors requires complicated and time-consuming calibration and programming schemes to address errors induced by fabrication process variations. Among the various prevalent mesh topologies, the presence of a diagonal path inherently provides independent access to calibrate, monitor, and program each phase shifter, regardless of any existing dynamic errors in the bias of other blocks. In other words, the phase error of MZIs do not accumulate along a diagonal path. This attribute of the diagonal path has been experimentally validated in a 4×4 Bokun mesh topology by introducing phase distortion in the previous Mach-Zehnder interferometer block along the same diagonal path. Measurements demonstrate that the same phase distortion in a mesh topology lacking this attribute can lead to accumulating calibration and programming errors. The Bokun mesh topology, with its inherent beneficial attributes, supports the realization of significantly superior performance in the case of on-chip weight optimization, referred to as in-situ programming, due to enabling an error-free, faster, and easier programming scheme.

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 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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,607
Score d'incertitude au seuil0,383

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,077
Tête enseignante GPT0,370
Écart entre enseignants0,294 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNeural Networks and Reservoir ComputingTravaux en français237 207