Feedback-driven photonic reservoir computing

Herkömmliche Rechnerarchitekturen stehen aufgrund der physischen Trennung von Rechen- und Speichereinheiten vor erheblichen Herausforderungen hinsichtlich Energieeffizienz. Da moderne, komplexe Modelle des maschinellen Lernens einen immer höheren Energieverbrauch erfordern, bieten neuromorphe Ansätze, die die Struktur des Gehirns nachahmen, eine Alternative. In diesem Bereich bietet Reservoir Computing ein effizientes Framework für die Verarbeitung zeitlicher Daten, indem Eingaben über ein festes dynamisches System in einen hochdimensionalen Raum abgebildet werden. In dieser Arbeit untersuchen wir eine experimentelle Umsetzung von Reservoir Computing basierend auf photonischen Quantenmemristoren. Aufbauend auf früheren Designs führt unser Framework einen Injektions-Rückkopplungsmechanismus ein. Dabei werden gemessene Ausgangssiganle des Reservoirs wieder in den Apparat eingespeist, wodurch die Speicherkapazität und die Nichtlinearität des Systems erheblich verbessert werden. Um die Ausdruckskraft des Modells und die Dimension des Merkmalsraums weiter zu erhöhen, setzen wir Spatial Multiplexing ein, wobei mehrere unabhängige Memristor-Einheiten parallel betrieben werden. Wir bewerten die Leistung anhand mehrerer Benchmark-Aufgaben, darunter die Kurzzeitgedächtnis- und die NARMA-Aufgabe. Darüber hinaus präsentieren wir wir numerische Simulationen zur autonomen Vorhersage eines chaotischen Lorenz-Systems. Die Ergebnisse zeigen, dass der Rückkopplungsmechanismus es dem System ermöglicht, frühere Modelle zu übertreffen, indem es über längere zeitliche Verzögerungen hinweg eine hohe Genauigkeit beibehält.