A Microwave Photonic Neural Network in the Frequency Synthetic Dimension Using Multi-Tone Single-Sideband Modulation in a Fiber Loop
Notice bibliographique
Résumé
Photonic synthetic dimension, an emerging concept in the field of photonics, introduces new dimensions within photonic systems, enabling more advanced and precise manipulation of high-speed optical signals. In this paper, we propose and experimentally demonstrate a novel microwave photonic neural network in the frequency synthetic dimension. By using a dual-parallel Mach-Zehnder modulator (DP-MZM) in an optical fiber loop, multi-tone carrier-suppressed single sideband (CS-SSB) modulation on multiple optical carriers is implemented which results in the dynamic coupling between different frequency modes in the loop, thus synthesizing additional frequency dimensions. In the synthetic dimension, the matrix-vector multiplication (MVM) between the neurons and the weights in a neural network is implemented by controlling the coupling coefficients between the optical carriers and the modulated sidebands, thus generating sidebands with specific intensities corresponding to the MVM results. By using a programmable optical filter after the DP-MZM to introduce attenuations and control the powers of the generated sidebands, the desired neuron biases can be also achieved. The multi-layer structure in a deep feedforward neural network (FNN) can be realized by refreshing the multi-tone radio frequency (RF) signals applied to the DP-MZM and the programmable filtering during each round trip in the optical loop. The approach is evaluated experimentally. A 3-2-8 three-layer FNN having 13 neurons is implemented to successfully tackle the task of 3-bit binary number recognition at a computational speed of 55×106 MAC/s (multiply-accumulate operations per second). An average prediction accuracy rate of 95.93% is demonstrated.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».