Key points are not available for this paper at this time.
A fotônica neuromórfica (inspirada no cérebro) aproveita chips fotônicos para acelerar redes neurais, oferecendo soluções de alta velocidade e eficiência energética para uso em datacom, veículos autônomos ou outras aplicações sensíveis ao tempo. No entanto, o tamanho limitado das redes neurais fotônicas limita a complexidade das tarefas solucionáveis. Um candidato natural para fornecer complexidade aumentada é a computação quântica e suas capacidades de aceleração exponencial. Especificamente, exploramos a computação quântica contínua variável (CV) fotônica. A combinação de redes clássicas com circuitos quânticos CV treináveis resulta em redes híbridas que proporcionam melhorias significativas em treinabilidade e precisão. Em uma tarefa de classificação, redes híbridas alcançam a mesma precisão que redes totalmente clássicas que são duas vezes maiores. Quando oruído é aplicado aos parâmetros da rede, as redes híbridas e clássicas maximizam a precisão abaixo do nível de ruído esperado no chip. Esses resultados demonstram que redes híbridas podem alcançar desempenho aumentado com tamanhos de rede menores, oferecendo uma rota promissora para processamento fotônico neuromórfico escalável.
Austin et al. (Sex,) estudaram essa questão.