Experimental Investigation of Time Series Classification using a Self-Pulsing Microring Resonator Network

Resumen Técnico: Investigación Experimental de la Clasificación de Series Temporales mediante una Red de Microresonadores de Anillo de Auto-pulsación

Planteamiento del Problema
La computación neuromórfica fotónica ofrece ventajas significativas en eficiencia energética y procesamiento paralelo, pero a menudo tiene dificultades para materializar una no linealidad escalable y memoria a largo plazo sin recurrir a conversiones de Óptico-a-Eléctrico-a-Óptico (OEO) de alto consumo energético. Aunque se han propuesto materiales de cambio de fase (PCM) para la memoria totalmente óptica, estos introducen altas pérdidas de potencia y dificultades de reinicio. Los microresonadores de anillo (MRR) de silicio ofrecen una solución potencial al proporcionar no linealidad intrínseca y memoria volátil mediante efectos de portadores libres y termo-ópticos. Sin embargo, existe la necesidad de un análisis robusto y profundo sobre cómo las redes de MRR acoplados funcionan como reservorios para tareas de aprendizaje automático (ML), específicamente en su capacidad para manejar datos complejos de series temporales derivados de imágenes sin un preprocesamiento digital extensivo.

Metodología
Los autores investigaron experimentalmente un circuito integrado fotónico que comprende una red de 64 nodos (8x8) de microresonadores de anillo de silicio acoplados. El sistema opera como una plataforma de Computación de Reservorio (RC) donde el hardware físico actúa como una red neuronal recurrente fija y no entrenada, y solo se entrena una capa de lectura lineal.

• Dinámica del Sistema: La red de MRR es impulsada hacia un régimen no lineal utilizando potencias ópticas de entrada en el rango de los milivatios. Esto induce un comportamiento de auto-pulsación (oscilaciones con periodos que van desde ~1 hasta decenas de microsegundos) debido a la interacción entre los efectos de portadores libres y térmicos.
• Codificación de Datos: Las imágenes de los conjuntos de datos MNIST (dígitos escritos a mano) y Fashion-MNIST (artículos de vestir) (28×28 píxeles) se aplanaron en secuencias temporales de 784 puntos. Estas secuencias se codificaron en intensidad óptica utilizando un Generador de Formas de Onda Arbitrarias (AWG) y un modulador electro-óptico. Se probaron tres estrategias de codificación: "Normal" (fondo = 0 potencia), "Inversa" (fondo = potencia máxima) y "Box" (fondo = 40% de la potencia máxima).
• Expansión de Dimensionalidad: Para explotar las capacidades del reservorio, el sistema utilizó múltiples dimensiones físicas:
  • Espacial: Las señales se adquirieron de seis puertos de salida distintos.
  • Espectral: Se utilizaron diez frecuencias de láser diferentes (192.68–192.86 THz).
  • Potencia: Se variaron múltiples niveles de potencia de entrada (1.1–5.5 mW).
• Estrategias de Clasificación:
  1. Serie Temporal Completa: Se registró toda la respuesta temporal de la red y se alimentó a un clasificador lineal.
  2. Píxel Único (Memoria Óptica): La clasificación se realizó sobre una única muestra temporal (píxel) de la salida, aprovechando la memoria inherente del sistema para retener información sobre entradas previas sin almacenamiento digital.
• Líneas Base (Baselines): El rendimiento se comparó contra un clasificador lineal de base entrenado en datos digitales brutos, una línea base fotónica "fuera de resonancia" (solo transformación lineal) y Perceptrones Multicapa (MLP) digitales con conteos de parámetros comparables.

Contribuciones Clave
Este trabajo expande estudios previos de redes de MRR mediante:

1. Mecanismo Distinto: Utilizando dinámicas complejas de auto-pulsación acoplada en múltiples MRR para la memoria a largo plazo, en lugar de depender de PCMs con pérdidas.
2. Exploración de Parámetros: Investigando sistemáticamente el impacto del número de puertos de salida, la modalidad de codificación y las tasas de muestreo de entrada en la precisión de ML.
3. Inferencia de Píxel Único: Demostrando un escenario de clasificación donde la inferencia no requiere memoria digital del historial de la señal, apoyándose únicamente en la memoria óptica de la red de MRR.
4. Preprocesamiento Mínimo: Utilizando conjuntos de datos completos con un preprocesamiento mínimo, logrado mediante modulación óptica en lugar de procesamiento digital.
5. Análisis de Costo Computacional: Proporcionando una comparación directa con ANNs digitales respecto al número de parámetros entrenables y operaciones no lineales requeridas para alcanzar precisiones similares.

Resultados

• Clasificación MNIST: Utilizando una lectura lineal sobre representaciones de series temporales completas de múltiples puertos, el sistema alcanzó una precisión de prueba máxima del 96.49% (usando 5 puertos, codificación inversa, paso de tiempo de 20 ns). Esto superó significativamente al clasificador lineal de base sobre datos brutos (92.03%) y a la línea base fotónica fuera de resonancia (92.12%).
• Clasificación Fashion-MNIST: El sistema alcanzó un 85.81% de precisión, una mejora modesta sobre la base (85.17%), atribuida a la mayor complejidad del conjunto de datos y al ruido de la transformación fotónica.
• Comparación con ANNs Digitales: Para igualar la precisión del 96.49% del sistema fotónico, una ANN digital requirió 120 neuronas ocultas (95,410 parámetros) y 130 operaciones no lineales. El sistema fotónico logró esto con una lectura lineal que requiere solo 10 operaciones no lineales (softmax) y aproximadamente 61,260 parámetros entrenables (debido al sobremuestreo).
• Clasificación de Píxel Único: Al clasificar basándose en una sola muestra temporal (píxel), la red fotónica alcanzó un 68.57% de precisión para MNIST y un 53.13% para Fashion-MNIST. Esto representa una mejora sustancial sobre la línea base fuera de resonancia (~24-25%), demostrando que la memoria óptica de la red permite que un solo píxel codifique información sobre todo el historial de la imagen.

Significancia y Reivindicaciones
El artículo sostiene que la red de MRR propuesta proporciona una alternativa robusta, compacta (0.15 mm²) y energéticamente eficiente (pocas mW de potencia de entrada) para la clasificación de series temporales digitales. Los autores enfatizan que la capacidad del sistema para realizar expansión de dimensionalidad a través de puertos físicos, longitudes de onda y niveles de potencia permite que una simple lectura lineal logre una alta precisión.

Crucialmente, el trabajo demuestra que la memoria volátil y la no linealidad inherentes de los MRR acoplados pueden reemplazar funciones de activación no lineales y memoria digital compleja en escenarios específicos de computación de borde (edge computing). El resultado de "píxel único" destaca el potencial para inferencias de latencia ultra baja donde los búferes de memoria digital son indeseables o no están disponibles. Los autores posicionan esto no como un competidor de las CNN digitales de última generación para la clasificación de imágenes puras, sino como una prueba de concepto para una computación de reservorio eficiente y nativa de hardware que reduce la carga computacional (parámetros y operaciones no lineales) requerida para tareas específicas.