🔬 optics

Programmable k-local Ising interactions and shallow optical Kolmogorov--Arnold networks through repeated data encounters

यह शोध पत्र एक बार-बार होने वाले मुठभेड़ (repeated-encounter) वाले फोटोनिक आर्किटेक्चर का प्रस्ताव करता है जो रैखिक प्रसार (linear propagation) और स्क्वायर-लॉ डिटेक्शन (square-law detection) का उपयोग करके स्पार्स $k$ -लोकल आइसिंग इंटरैक्शन और शैलो ऑप्टिकल कोलमोगोरोव-कर्नोव नेटवर्क को बिना किसी नॉनलीनियर मीडिया या सहायक क्वबिट्स के प्रोग्रामेबली मूल्यांकित करता है, जिससे $\lceil k/2\rceil$ डेटा मुठभेड़ों के साथ इष्टतम दक्षता प्राप्त होती है।

मूल लेखक: Nikita Stroev, Natalia G. Berloff

प्रकाशित 2026-08-25

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nikita Stroev, Natalia G. Berloff

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कंप्यूटिंग की दुनिया में, ऐसी मशीनें बनाने की एक निरंतर इच्छा है जो किसी सिस्टम की निम्नतम ऊर्जा अवस्था (lowest energy state) को खोजकर जटिल पहेलियों को हल कर सकें, ठीक वैसे ही जैसे एक गेंद एक पहाड़ी से नीचे लुढ़ककर सबसे गहरी घाटी को खोज लेती है। दशकों से, वैज्ञानिक प्रकाश का उपयोग करके इन "इज़िंग मशीनों" (Ising machines) को बनाने का प्रयास कर रहे हैं, क्योंकि फोटॉन तेज़ चलते हैं और सूचना की विशाल मात्रा ले जा सकते हैं। हालाँकि, प्रकाश की एक स्वाभाविक सीमा है: यह सरल, सीधी रेखा वाली गणनाओं को करने में उत्कृष्ट है, लेकिन यह उन कठिन समस्याओं के लिए आवश्यक जटिल, बहु-चरणीय अंतःक्रियाओं (multi-step interactions) को करने में संघर्ष करता है। आमतौर पर, प्रकाश को ये कठिन कार्य करने के योग्य बनाने के लिए, शोधकर्ताओं को विशेष सामग्रियों पर निर्भर रहना पड़ा है जो प्रकाश को अजीब तरीके से मोड़ती हैं या जटिल समस्याओं को सरल, दो-भागों वाले टुकड़ों में तोड़ देती हैं। यह दृष्टिकोण अक्सर भारीपन, लागत बढ़ाता है, या उन प्रकार की समस्याओं को सीमित करता है जिन्हें मशीन हल कर सकती है।

निकिता स्टोरेव और नतालिया जी. बेरलोफ का एक नया अध्ययन प्रकाश का उपयोग करने का एक अलग तरीका प्रस्तावित करता है, जो बिना किसी विलक्षण सामग्री (exotic materials) की आवश्यकता के काम करता है। प्रकाश को एक बार में गैर-रैखिक (non-linear) व्यवहार करने के लिए मजबूर करने के बजाय, उन्होंने एक ऐसा सिस्टम डिज़ाइन किया है जहाँ डेटा खुद से बार-बार मिलता है। सूचना को दर्पणों और लेंसों के एक लूप के माध्यम से कई बार भेजकर, और प्रत्येक बार गुजरने पर प्रकाश को सावधानीपूर्वक मापकर, यह सिस्टम सरल रैखिक चरणों से जटिल अंतःक्रियाएं बना सकता है। शोधकर्ताओं ने कठोर गणितीय विश्लेषण और एक विस्तृत 'फाइनाइट डिस्क्रीट-फूरियर मॉडल' के माध्यम से दिखाया कि यह विधि किसी भी संख्या में चरों (variables) के बीच अंतःक्रियाओं को प्रोग्राम और मूल्यांकन करने में सक्षम है, चाहे वे जोड़े हों या चार या अधिक का समूह। उनका कार्य बताता है कि सही आर्किटेक्चर के साथ, प्रकाश को मानक रैखिक प्रकाशिकी (linear optics) के दायरे से बाहर निकले बिना उच्च-स्तरीय समस्याओं को हल करने के लिए बनाया जा सकता है, हालांकि वे यह भी नोट करते हैं कि यह सैद्धांतिक ढांचा अभी प्रयोगात्मक सत्यापन (experimental validation) की आवश्यकता को प्रतिस्थापित नहीं करता है।

इस खोज का मूल आधार एक चतुर आर्किटेक्चरल युक्ति है जिसे लेखक "पुनरावृत्ति मुठभेड़" (repeated encounters) कहते हैं। कल्पना करें कि दर्पणों से भरा एक कमरा है और प्रकाश की एक एकल किरण है। एक मानक सेटअप में, प्रकाश एक मास्क के माध्यम से गुजर सकता है जो एक समस्या का प्रतिनिधित्व करता है, परावर्तित होता है, और एक बार मापा जाता है। यह एकल पास केवल सरल संबंधों को पकड़ सकता है। नए डिज़ाइन में, प्रकाश को केवल एक बार मापा नहीं जाता है; इसे उसी मास्क के माध्यम से, या एक समान मास्क के माध्यम से, कई बार रूट किया जाता है। प्रत्येक बार जब प्रकाश मास्क से गुजरता है, तो वह डेटा के साथ फिर से अंतःक्रिया करता है। शोधकर्ताओं ने गणितीय रूप से सिद्ध किया कि विशिष्ट संख्या में चरों के बीच अंतःक्रिया बनाने के लिए, प्रकाश को उन चरों के साथ कम से कम उनकी संख्या के आधे से अधिक बार (ऊपर की ओर पूर्णांकित) मिलना चाहिए। उदाहरण के लिए, चार चरों के बीच संबंध बनाने के लिए, प्रकाश को सिस्टम से दो बार गुजरना होगा। यह एक मौलिक सीमा है; एकल पास के साथ कितनी भी चतुर इंजीनियरिंग की जाए, वह वह हासिल नहीं कर सकती जो दो पास कर सकते हैं।

इस विचार का परीक्षण करने के लिए, टीम ने एक आदर्श ऑप्टिकल सिस्टम का विस्तृत कंप्यूटर सिमुलेशन विकसित किया जो एक 'फोल्डेड रिले' की तरह कार्य करता है, जो प्रकाश को हेरफेर करने के लिए दर्पणों और लेंसों के ग्रिड का उपयोग करता है। उन्होंने एक विशिष्ट चुनौती पर ध्यान केंद्रित किया: एक चार-तरफा अंतःक्रिया बनाना, जो वर्तमान मशीनों में पाए जाने वाले मानक दो-तरफा अंतःक्रियाओं से एक महत्वपूर्ण कदम ऊपर है। उन्होंने सिस्टम को चार विशिष्ट चरों का प्रतिनिधित्व करने वाले प्रकाश को एक समर्पित चैनल में भेजने के लिए प्रोग्राम किया। पहले पास में, प्रकाश ने इन चरों के योग के बारे में जानकारी एकत्र की। दूसरे पास में, सिस्टम इस प्रकाश को वापस उसी मास्क के माध्यम से परावर्तित करता है, जिससे यह चरों के साथ दूसरी बार अंतःक्रिया करता है। इस पहले पास के बाद और दूसरे पास के बाद प्रकाश की तीव्रता को मापने और फिर इन मापों को विशिष्ट भार (weights) के साथ संयोजित करके, सिस्टम सटीक चार-तरफा संबंध को पुनर्गठित कर सकता है।

सिमुलेशन के परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने एक ऐसी विधि का उपयोग किया जहाँ प्रकाश को डेटा के दोबारा सामना किए बिना बस परावर्तित किया गया था, तो सिस्टम चार-तरफा संबंध को पकड़ने में विफल रहा, और केवल सरल, दो-तरफा परिणाम ही प्रदान कर सका। हालाँकि, जब उन्होंने "रेसिप्रोकल रिकलेक्शन" (reciprocal recollection) विधि का उपयोग किया—जहाँ प्रकाश को लाइव डेटा मास्क के माध्यम से वापस भेजा गया था—तो सिस्टम ने सफलतापूर्वक मॉडल में जटिल चार-चरणीय सिग्नल उत्पन्न किया। सिमुलेशन ने दिखाया कि सिस्टम चार चरों के सभी सोलह संभावित संयोजनों के बीच अंतर कर सकता था, प्रत्येक के लिए सही ऊर्जा मान को उच्च सटीकता के साथ पुनर्गठित कर सकता था। शोधकर्ताओं ने यह भी परीक्षण किया कि सिस्टम खामियों, जैसे कि दर्पणों में छोटी त्रुटियों या उन खिड़कियों के आकार को कैसे संभालता है जिनसे प्रकाश गुजरता है। उन्होंने पाया कि हालांकि इन त्रुटियों ने कुछ शोर (noise) पेश किया, लेकिन सिस्टम मॉडल में मजबूत बना रहा, और जटिल चार-चरफा सिग्नल बैकग्राउंड शोर से स्पष्ट रूप से अलग बना रहा।

विशिष्ट पहेलियों को हल करने के अलावा, शोधकर्ताओं ने दिखाया कि इसी आर्किटेक्चर को एक अलग प्रकार के कंप्यूटिंग कार्य के लिए अनुकूलित किया जा सकता है: कृत्रिम तंत्रिका नेटवर्क (artificial neural networks) को प्रशिक्षित करना। इज़िंग मशीन के बाइनरी ऑन-ऑफ स्विच को निरंतर मूल्यों की एक सीमा (continuous range) से बदलकर, यह सिस्टम जटिल गणितीय वक्रों, जिन्हें बहुपद फलन (polynomial functions) कहा जाता है, को उसी 'रिपीटेड एनकाउंटर' सिद्धांत का उपयोग करके उत्पन्न कर सकता है। अपने सिमुलेशन में, उन्होंने एक छोटे नेटवर्क को विशिष्ट गणितीय आकृतियों को सीखने के लिए सफलतापूर्वक प्रशिक्षित किया, जिससे यह प्रदर्शित हुआ कि हार्डवेयर मॉडल सीखने के लिए एक लचीला इंजन के रूप में कार्य कर सकता है। यह सुझाव देता है कि समान भौतिक सेटअप का उपयोग अनुकूलन समस्याओं और मशीन लर्निंग मॉडल दोनों को हल करने के लिए किया जा सकता है, केवल इस बात को बदलकर कि डेटा को कैसे एनकोड किया जाता है और परिणामों को कैसे पढ़ा जाता है।

यह अध्ययन स्पष्ट रूप से क्या सिद्ध है और क्या अभी देखना बाकी है, के बीच अंतर करता है। प्रस्तुत निष्कर्ष पूरी तरह से एक आदर्श ऑप्टिकल सिस्टम के कठोर कंप्यूटर सिमुलेशन पर आधारित हैं, न कि प्रयोगशाला में बनाए गए किसी भौतिक उपकरण पर। लेखक स्पष्ट रूप से कहते हैं कि उनका कार्य अभी तक कोई हार्डवेयर समाधान या मौजूदा कंप्यूटरों के मुकाबले गति और ऊर्जा दक्षता की तुलना प्रदान नहीं करता है। इसके बजाय, उन्होंने एक सैद्धांतिक ब्लूप्रिंट और एक 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान किया है जो इन अंतःक्रियाओं को प्राप्त करने के लिए आवश्यक चरणों की न्यूनतम संख्या और उन्हें बनाने के तरीके को दर्शाता है। उनका तर्क है कि जबकि गणित ठोस है और सिमुलेशन सुसंगत हैं, अगला कदम एक भौतिक प्रोटोटाइप बनाना है ताकि यह देखा जा सके कि वास्तविक दुनिया के कारक जैसे प्रकाश हानि (light loss), डिटेक्टर शोर और अपूर्ण दर्पण प्रदर्शन को कैसे प्रभावित करते हैं।

इस कार्य का महत्व इसकी सरलता और दक्षता में निहित है। यह सिद्ध करके कि बार-बार होने वाली रैखिक अंतःक्रियाएं जटिल गैर-रैखिक परिणाम उत्पन्न कर सकती हैं, शोधकर्ताओं ने महंगे या कठिन रूप से निर्मित होने वाली गैर-रैखिक सामग्रियों की आवश्यकता के बिना अधिक शक्तिशाली फोटोनिक कंप्यूटर बनाने का मार्ग प्रशस्त किया है। उन्होंने दिखाया है कि उच्च-क्रम की अंतःक्रियाओं को अनलॉक करने की कुंजी वह सामग्री नहीं है जिससे प्रकाश गुजरता है, बल्कि उस पथ का आर्किटेक्चर है जिससे वह गुजरता है। यदि इस दृष्टिकोण को हार्डवेयर में साकार किया जा सकता है, तो यह ऑप्टिकल प्रोसेसरों की एक नई पीढ़ी की ओर ले जा सकता है जो सबसे कठिन अनुकूलन और सीखने की समस्याओं को हल करने में सक्षम होंगे, जिसमें वर्तमान इलेक्ट्रॉनिक कंप्यूटर संघर्ष करते हैं। शोध पत्र निष्कर्ष निकालता है कि हालांकि सिमुलेशन से भौतिक वास्तविकता तक की यात्रा के लिए आगे के इंजीनियरिंग की आवश्यकता होगी, फिर भी मौलिक सिद्धांत सुदृढ़ हैं, जो ऑप्टिकल कंप्यूटिंग के भविष्य के लिए एक स्पष्ट और आशाजनक दिशा प्रदान करते हैं।

प्रदान की गई पांडुलिपि के आधार पर, स्ट्रोएव और बर्लोफ के कार्य का विस्तृत तकनीकी सारांश यहाँ दिया गया है।

समस्या विवरण (Problem Statement)

फोटोनिक प्रोसेसर रैखिक रूपांतरणों (linear transformations) में स्वाभाविक रूप से कुशल होते हैं, लेकिन स्वतंत्र रूप से प्रोग्राम करने योग्य उच्च-क्रम इंटरैक्शन (pairwise couplings से परे) को लागू करने के लिए आमतौर पर गैर-रैखिक ऑप्टिकल मीडिया या क्वाड्रैटाइजेशन (quadratization) के माध्यम से समस्या को पेयरवाइज मॉडल में कम करने की आवश्यकता होती है। जबकि क्वाड्रैटाइजेशन संभव है, यह सहायक चरों (ancillary variables) और दंड बाधाओं (penalty constraints) के रूपв में ओवरहेड पेश करता है। मौजूदा फोटोनिक आइसिंग मशीनें और सिम्युलेटर मुख्य रूप से पेयरवाइज कपलिंग को लक्षित करते हैं, और जो उच्च-क्रम पदों को साकार करते हैं वे अक्सर उन मैटेरियल नॉनिलैरिटीज़ (जैसे $\chi^{(2)}$ या केर प्रभाव) पर निर्भर करते हैं जिनमें प्रति-हाइपरएज गुणांक नियंत्रण का अभाव होता है। एक ऐसे फोटोनिक आर्किटेक्चर की आवश्यकता है जो स्वतंत्र रूप से प्रोग्राम करने योग्य कपलिंग और इंटरैक्शन ऑर्डर्स के साथ, बिना किसी मैटेरियल ऑप्टिकल नॉनिलैरिटी या सहायक चरों के, सीधे स्पार्स (sparse), स्ट्रक्चर्ड $k$ -लोकल आइसिंग ऑब्जेक्टिव्स का मूल्यांकन कर सके।

कार्यप्रणाली (Methodology)

लेखक एक रिपीटेड-एनकाउंटर आर्किटेक्चर (repeated-encounter architecture) का प्रस्ताव करते हैं जो एनकोडेड डेटा के प्रति नॉनलीन रिस्पॉन्स उत्पन्न करने के लिए लीनियर ऑप्टिकल प्रोपेगेशन को स्क्वायर-लॉ डिटेक्शन के साथ जोड़ता है। मुख्य तंत्र विशिष्ट स्पिन समूहों (हाइपरएज) को रिज़ॉल्व्ड ऑप्टिकल चैनलों में रूट करता है और उन्हें एक स्पिन-डिपेंडेंट मास्क के माध्यम से कई पास ("encounters") के अधीन करता है।

आर्किटेक्चर:
- डेटा एनकोडिंग: एक स्पैटियल लाइट मॉड्यूलेटर (SLM) ऑप्टिकल फील्ड पर एक स्पिन मास्क $D_s$ लागू करता है।
- रूटिंग और सिलेक्शन: एक फैन-आउट एलिमेंट फील्ड को एक फूरियर प्लेन की ओर निर्देशित करता है जहाँ विंडोज़ के माध्यम से विशिष्ट हाइपरएज को चुना जाता है।
- रेसिप्रोकल रिकलेक्शन (Reciprocal Recollection): चयनित फील्ड को उसी लाइव स्पिन मास्क (जो कि "रेसिप्रोकल" चरण है) के माध्यम से वापस भेजा जाता है। यह दूसरा डेटा एनकाउंटर बनाता है।
- डिटेक्शन: सिस्टम प्रत्येक एनकाउंटर के बाद फील्ड को मापने के लिए टैप्स के एक बैंक का उपयोग करता है। डायरेक्ट इंटेंसिटी मेजरमेंट्स स्पिन सम के सम घातों ( $S_q^2, S_q^4, \dots$ ) को प्रदान करते हैं, जबकि आस-पास के टैप्स के बीच फेज-रेफरेन्स्ड इंटरफेरेंस विषम घातों ( $S_q^1, S_q^3, \dots$ ) को प्रदान करता है।
- रिकंस्ट्रक्शन: मापे गए संकेतों का एक कैलिब्रेटेड लीनियर कॉम्बिनेशन विशिष्ट $k$ -स्पिन वॉश टर्म (स्पिन्स का उत्पाद $\prod s_i$ ) को प्रोग्राम किए गए साइन और स्ट्रेंथ के साथ पुनर्गठित करता है।
सैद्धांतिक ढांचा (टाइट एनकाउंटर थ्योरम - Tight Encounter Theorem):
- लेखक सिद्ध करते हैं कि एक ऐसे सिस्टम के लिए जहाँ इन्सिडेंट फील्ड स्पिन कॉन्फ़िगरेशन से स्वतंत्र है, मास्क ऑप्टिकल मोड्स में डायगोनल है, और डिटेक्शन स्क्वायर-लॉ है, तो किसी भी डिटेक्टेड ऑब्जर्वेबल का मल्टीलिनियर स्पिन डिग्री डेटा एनकाउंटर्स ( $R$ ) की संख्या के दोगुने से सीमित है।
- फलस्वरूप, एक $k$ -स्पिन टर्म के लिए न्यूनतम $R = \lceil k/2 \rceil$ एनकाउंटर्स की आवश्यकता होती है।
- वे प्रदर्शित करते हैं कि एक रैंक-वन रिकलेक्शन (rank-one recollection) निर्माण (जहाँ चयनित मोड को संबंधित मैक्रोपिक्सल्स पर एक यूनिफॉर्म बीम के रूप में वापस भेजा जाता है) इस निचली सीमा को प्राप्त करता है, जिससे $p$ -वें एनकाउंटर पर $S_q^p$ का उत्पादन संभव होता है।
कंटीन्यूअस-वेरिएबल एक्सटेंशन:
- बाइनरी स्पिन्स को बाउंडेड कंटीन्यूअस साइन्ड-एम्प्लीट्यूड ट्रांसमिटेंस से बदलकर, समान आर्किटेक्चर पॉलीनोमियल एज फंक्शन्स उत्पन्न करता है। यह उथले कोलमोगोरोव-आर्नोल्ड नेटवर्क (KANs) के कार्यान्वयन को सक्षम बनाता है, जहाँ नेटवर्क एजेस डिग्री $2R$ तक के ट्यून करने योग्य यूनिवेरिएट पॉलीनोमियल्स होते हैं।

मुख्य योगदान (Key Contributions)

टाइट एनकाउंटर थ्योरम: एक कठोर प्रमाण जो स्थापित करता है कि स्क्वायर-लॉ डिटेक्शन के साथ लीनियर ऑप्टिक्स में $k$ -लोकल इंटरैक्शन उत्पन्न करने के लिए $R \ge \lceil k/2 \rceil$ न्यूनतम ऑप्टिकल डेप्थ है, और एक स्पष्ट निर्माण (रैंक-वन रिकलेक्शन) जो इस सीमा को प्राप्त करता है।
स्वतंत्र प्रोग्रामेबिलिटी: क्वाड्रैटाइजेशन एनसिला या मैटेरियल नॉनिलैरिटीज़ के बिना हाइपरएज आइडेंटिटी, इंटरैक्शन ऑर्डर और साइन्ड कपलिंग स्ट्रेंथ को स्वतंत्र रूप से प्रोग्राम करने की क्षमता।
कार्डानो सीडिंग (Cardano Seeding) के माध्यम से ऑप्टिकल वेटिंग: रिटर्न-पाथ ऑप्टिक्स में ग्रेटिंग डेप्थ्स के माध्यम से $k=4$ टर्म के नॉन-कांस्टेंट वेट्स को सीधे एनकोड करने की विधि, जिसे आवश्यक ग्रेटिंग पैरामीटर्स के लिए एक क्लोज्ड-फॉर्म अल्जेब्रिक सॉल्यूशन (कार्डानो का फॉर्मूला) द्वारा हल किया जा सकता है।
संख्यात्मक सत्यापन (Numerical Verification): एक आइडियल फोल्डेड 4f रिले ( $1024 \times 1024$ ग्रिड) के एक फाइनाइट-डायमेंशनल डिस्क्रीट-फूरियर मॉडल का उपयोग $R=2, k=4$ केस को मान्य करने के लिए किया गया।

परिणाम (Results)

पेपर एक फाइनाइट-डिस्क्रीट फूरियर रिले मॉडल से संख्यात्मक परिणाम प्रस्तुत करता है:

एनकाउंटर स्केलिंग: "रेसिप्रोकल रिकलेक्शन" रूट ने दूसरे टैप में सफलतापूर्वक एक क्वार्टिक रिस्पॉन्स ( $S_q^4$ ) उत्पन्न किया, जिसमें प्रभावी एक्सपोनेंट $\nu_{eff} \approx 2.02$ था। इसके विपरीत, एक कंट्रोल "फिक्स्ड-पच" रूट (डेटा-इंडिपेंडेंट रिटर्न) क्वाड्रेटिक ( $\nu_{eff} \approx 1.06$ ) रहा, जो यह पुष्टि करता है कि उच्च-क्रम पदों के लिए दूसरे एनकाउंटर की आवश्यकता है।
वॉश स्पेक्ट्रम (Walsh Spectrum): रेसिप्रोकल रिकलेक्शन मेथड ने एक नॉर्मलाइज्ड फोर-बॉडी वॉश कोएफिशिएंट $0.98 $प्राप्त किया, जबकि फिक्स्ड-पच कंट्रोल ने$ 4 \times 10^{-7}$ (नॉइज़ फ्लोर से नीचे) दिया, जो यह दर्शाता है कि फोर-बॉडी जानकारी दूसरे एनकाउंटर द्वारा ले जाई जाती है।
रिकंस्ट्रक्शन सटीकता: एक चार-स्पिन टर्म ( $k=4$ ) के लिए, सभी 16 स्पिन कॉन्फ़िगरेशनों में पुनर्गठित ऊर्जा ने $0.129 $(बेसलाइन अपर्चर) और$ 0.037 $(हाफ-रेडियस अपर्चर) का RMS एरर दिखाया। "क्लास मार्जिन" (लक्ष्य ऊर्जा वर्गों के बीच का अंतर) क्रमशः$ 1.81 $और$ 1.95 $था, जबकि आदर्श मान$ 2.0$ था।
लीकेज विश्लेषण: प्राथमिक डिटरमिनिस्टिक एरर सोर्स को फाइनाइट-विंडो लीकेज के रूप में पहचाना गया, जो स्प्यूरियस लोअर-ऑर्डर वॉश कंपोनेंट्स पेश करता है। एरर पोस्ट-ट्रिम मैक्रोपिक्सेल एम्प्लीट्यूड/फेज एरर्स के साथ रैखिक रूप से स्केल करता है।
KAN एज रिकवरी: एक फिक्स्ड-प्रोजेक्शन रिज बैंक सिमुलेशन ( $R=2$ ) में, सिस्टम ने सटीक ग्रेडिएंट्स का उपयोग करके $1.9 \times 10^{-7}$ के टेस्ट मीन स्क्वेर्ड एरर (MSE) के साथ पॉलीनोमियल एज फंक्शन्स (डिग्री 4 तक) के लिए कोएफिशिएंट्स को सफलतापूर्वक रिकवर किया।

महत्व और दावे (Significance and Claims)

लेखक इस कार्य को ऑप्टिमाइजेशन और मशीन लर्निंग के लिए फोटोनिक हार्डवेयर की प्रोग्रामेबिलिटी में एक मौलिक प्रगति के रूप में देखते हैं:

दक्षता (Efficiency): यह आर्किटेक्चर $k$ -लोकल इंटरैक्शन के लिए आवश्यक ऑप्टिकल डेप्थ के लिए एक "टाइट" बाउंड प्रदान करता है, यह सिद्ध करता है कि इस क्लास का कोई भी स्कीम प्रति पास इससे बेहतर नहीं कर सकती।
हार्डवेयर स्वतंत्रता: यह बिना मैटेरियल नॉनिलैरिटी या क्वाड्रैटाइजेशन के ओवरहेड के सीधे उच्च-क्रम मैपिंग को सक्षम बनाता है, जो उन स्पार्स और स्ट्रक्चर्ड ऑब्जेक्टिव्स के लिए उपयुक्त है जहाँ हाइपरएज को यूनिक चैनल्स में रूट किया जा सकता है।
बहुमुखी प्रतिभा: समान फिजिकल पदानुक्रम (hierarchy) डिस्क्रीट आइसिंग ऑब्जेक्टिव्स और KANs के लिए कंटीन्यूअस-वेरिएबल पॉलीनोमियल फंक्शन्स दोनों का समर्थन करता है।
सत्यापन में विनम्रता: लेखक स्पष्ट रूप से कहते हैं कि परिणाम एक आइडलाइज्ड फाइनाइट फूरियर मॉडल के भीतर संख्यात्मक सत्यापन हैं। वे दावा नहीं करते कि यह हार्डवेयर का प्रयोगात्मक प्रदर्शन है। वे नोट करते हैं कि प्रयोगात्मक ट्रांसफर के लिए मापे गए एबरेशन, SLM-कैमरा रिस्पॉन्स, फोटॉन काउंट और फेज ड्रिफ्ट को संबोधित करने की आवश्यकता होगी। इसके अलावा, पेपर अन्य प्लेटफॉर्म के विरुद्ध सॉल्वर परफॉरमेंस (टाइम-टू-सोल्यूशन) को बेंचमार्क करने या क्वाड्रैटाइज्ड बनाम नेटिव परफॉरमेंस की तुलना करने का दावा नहीं करता है; यह केवल सैद्धांतिक निर्माण और उसके संख्यात्मक सत्यापन पर केंद्रित है।

संक्षेप में, यह पेपर एक सैद्धांतिक रूप से सुदृढ़, लीनियर-ऑप्टिकल आर्किटेक्चर पेश करता है जो बार-बार होने वाले डेटा एनकाउंटर्स के माध्यम से मनमाने क्रम के आइसिंग इंटरैक्शन और KAN एजेस का मूल्यांकन करने में सक्षम है, जिसे संख्यात्मक रूप से यह दिखाने के लिए मान्य किया गया है कि प्रस्तावित "रेसिप्रोकल रिकलेक्शन" तंत्र आवश्यक उच्च-क्रम नॉनिलैरिटीज़ को सफलतापूर्वक उत्पन्न करता है।

समस्या विवरण (Problem Statement)

कार्यप्रणाली (Methodology)

मुख्य योगदान (Key Contributions)

परिणाम (Results)

महत्व और दावे (Significance and Claims)

इसी तरह के और पेपर