第一章介绍了光子计算机发展的历史以及神经网络的概念。第二章重点介绍了物理储层计算的原理,以及一些与光子计算相关的重要概念——品质因数、拓扑网络、线性和非线性记忆容量。第三章介绍了储层集成的最新技术,主要集中在被动架构的实现,以及如何通过光电探测器实现非线性变换的原理。第四章介绍了大规模光子储层的潜力,重点讨论了几种可以产生复杂网络耦合的光学配置。第五章概况介绍了基于延迟系统的储层计算。第六章详细阐述了池田延迟(Ikeda delay dynamics)动力学与光子储存计算机控制和开发的相关性。第七章讨论了使用半导体激光器作为物理衬底的光子 RC 的实现。第八章重点介绍如何使用光电系统作为主体构建先进的光子储存计算机。
Daniel Brunner出生于德国Oedheim,一直是法国贝桑松FEMTO-ST的CNRS永久研究员,研究兴趣包括非线性光子学,重点是使用量子系统或非线性动力学进行信息处理的新方法,目前专注于在光子系统中实现神经网络和机器学习。他的博士论文获得了多个大学奖项和2010年IOPs罗伊斯奖。
曾任国家科技基础条件平台中心副主任;中国驻洛杉矶总领事馆科技参赞;2020年10月,担任国家遥感中心副主任的吕先志接受中组部选派来海南挂职,任海南省发展改革委党组成员、副主任,同时担任园区建设组团组长。 2022.11—2023.12 工业和信息化部火炬高技术产业开发中心党委书记 2023.12— 工业和信息化部火炬高技术产业开发中心党委书记,主任
目 录
1. 新型光子计算简介 1
1.1 计算光学 1
1.1.1 计算光学的优势 2
1.1.2 逻辑光计算机 5
1.1.3 具有空间变换的光计算 6
1.2 神经网络 8
1.2.1 感知机 9
1.2.2 前馈神经网络 11
1.2.3 递归神经网络 12
1.2.4 深度神经网络 14
1.2.5 Hopfield网络 15
1.3 早期光子实现 17
1.3.1 光学感知机 18
1.3.2 光学Hopfield网络 19
1.4 结论 21
原著参考文献 21
2. 光子储备池系统的信息处理和计算 22
2.1 介绍 22
2.1.1 数字计算的边界 22
2.1.2 模拟计算 23
2.2 储备池计算 24
2.2.1 一个更宽松的计算模型 24
2.2.2 如何训练储备池计算机 25
2.2.3 储备池性能的测量 26
2.2.4 作为模型系统的回声状态网络 27
2.2.5 对储备池的一般要求 29
2.2.6 物理储备池计算 30
2.3 储备池信息处理 31
2.3.1 再现记忆 31
2.3.2 非线性处理能力 33
2.3.3 记忆、非线性和噪声敏感性 34
2.4 结论 36
原著参考文献 36
3. 集成片上储备池 37
3.1 介绍 37
3.2 无源储备池计算 37
3.3 集成光学读出层 40
3.3.1 基本原理 40
3.3.2 训练集成光学读出层 41
3.3.3 权重分辨率的影响 44
3.4 通信应用 45
3.4.1 非线性色散补偿 45
3.4.2 PAM-4逻辑 48
3.5 混沌腔 49
3.5.1 设计 50
3.5.2 方法 50
3.5.3 XOR任务 51
3.5.4 帧头识别 52
3.5.5 储备池的Q因子和时间尺度 53
3.6 用于细胞识别的柱状散射体 54
3.6.1 用数字全息显微镜分选细胞 54
3.6.2 用于极限学习机(ELM)实现的电介质散射体 55
3.6.3 相位灵敏度的非线性 58
3.6.4 电介质散射体和光腔的组合 60
3.7 结论 61
原著参考文献 61
4. 大型时空储备池 62
4.1 导言 62
4.2 衍射耦合 62
4.2.1 耦合矩阵 65
4.2.2 网络规模限制 68
4.3 垂直发射激光器的网络 69
4.3.1 网络动力学和光注入 71
4.3.2 函数逼近 73
4.4 Ikeda振荡器的储备池 73
4.4.1 实验设置 74
4.4.2 耦合Ikeda振荡器的驱动网络 75
4.4.3 读出权重和光子学习 76
4.4.4 抑制单极系统的性能限制 78
4.4.5 系统性能 79
4.4.6 噪声和漂移 81
4.4.7 自治系统:输出反馈 83
4.5 结论 85
原著参考文献 86
5. 用于储备池计算的时间延迟系统 87
5.1 导言 87
5.2 标准储备池计算 87
5.3 延迟反馈系统 88
5.4 作为储备池的延迟反馈系统 90
5.4.1 用具有延迟反馈功能的非线性节点实现 91
5.4.2 延迟反馈方法中的时间复用 92
5.4.3 基于延迟的储备池计算中的读出和训练 93
5.4.4 例子:混沌时间序列预测 94
5.5 基于延迟的储备池计算机的互连结构 96
5.5.1 通过系统动力学的互连结构 97
5.5.2 通过反馈线的互连结构 99
5.6 输入层的权重分布 100
5.7 基于延迟的储备池计算的计算量 101
5.8 基于延迟的储备池计算的硬件实现 103
5.8.1 基于延迟的储备池计算的电子实现示例 104
5.8.2 基于延迟的储备池计算机物理实现中的挑战 106
5.9 结论 111
原著参考文献 112
6. 作为储备池处理器的Ikeda延迟动力学 113
6.1 导言 113
6.2 从理想实验到光电装置 113
6.2.1 Ikeda环形腔的工作原理 113
6.2.2 通过光电方法转换的全光学Ikeda设置 115
6.3 建模和理论 116
6.3.1 数学模型、时间尺度、运动 116
6.3.2 动力学线性部分 117
6.3.3 反馈和非线性 118
6.3.4 延迟引起的复杂性:自由度、初始条件、相空间 119
6.4 用延迟系统模拟动态网络 120
6.4.1 延迟系统的时空表示 120
6.4.2 举例说明:延迟动力学中的嵌合状态 121
6.4.3 从自主延迟动力学到非自主延迟动力学 124
6.5 基于Ikeda的光子储备池 125
6.5.1 储备池计算的标准ESN 125
6.5.2 将ESN模型转换为延迟动力学模型 126
6.5.3 基于Ikeda的光子储备池计算实现示例 128
6.6 结论 134
原著参考文献 134
7. 半导体激光器作为储备池基底 135
7.1 导言 135
7.2 激光器基础和半导体类型 135
7.3 用于储备池计算的单模半导体激光器 137
7.3.1 建模和数值结果 137
7.3.2 单模半导体激光器的首次实验实现 140
7.3.3 单模半导体激光器的进一步实验实现 142
7.4 作为储备池基底的其他光子系统 143
7.4.1 用于储备池计算的半导体环形激光器 143
7.4.2 掺铒微芯片激光器 147
7.4.3 半导体光学放大器 148
7.5 结论 148
原著参考文献 148
8. 先进的储备池计算机:模拟自主系统和实时控制 149
8.1 导言 149
8.2 简单的光子储备池计算机 150
8.3 模拟输入层和读出层的实验实现 152
8.3.1 实验设置 153
8.3.2 结果 158
8.3.3 讨论 163
8.4 在线训练 163
8.4.1 随机梯度下降算法 164
8.4.2 实验设置 166
8.4.3 结果 167
8.5 输出反馈 171
8.5.1 实验设置 172
8.5.2 结果 174
8.6 结论 188
原著参考文献 189
展望 190