XiaoMi-AI文件搜索系统
World File Search System相位编码
脉冲方法中的光学相编码储存库计算
储层计算是一种植根于经常性神经网络的时间序列处理的监督机器学习方法[1，2]。受到大脑机制的启发，许多相互连接的人工神经元过程输入输入并显示内部记忆。反复的神经网络随后适合于语音识别等时间任务[3，4]，但以难以训练的代价。网络的所有权重需要在时间[5]中使用反向传播进行训练，这是一种耗时的，并非总是在融合[6]。不同，在储层计算（RC）中，仅训练输出层的权重以处理信息[7，8]。这些结构是由三个元素组成的：将数据注入系统中的输入层，由随机连接的大量神经元（或节点）组成的储层，以及一个外部（或读取）层以从储层中提取信息。在储层上的某些条件下，用简单的线性回归训练输出层就足够了[1，8]。在本文中，我们使用单个非线性节点（如[9]中）提供了储层协议的设计。尽管最近的作品已通过光学频率梳子的频率组件成功实现了储层和神经形态的组合[10-12]，但我们在这里利用了时间特征，即脉冲基础，光频率梳子作为储层的节点。此外，使用相干性同伴检测，因此可以在场的相分量中编码信息，而不是其强度或弹性。我们表明，尽管有少量的节点和低可线性的节点，但我们的协议具有良好的性能，同时显示非线性记忆和预测可供使。我们的系统建立在可以使用光脉冲来构建尖峰储层的概念上[13，14]，并且信息注入的相位编码可以在光子储层计算机中获得更好的性能[15，16]。基于光学的计算[17]可能能够给予对电子设备的速度或能源效率。