🔬 optics

Laser interferometry as a robust neuromorphic platform for machine learning

यह शोध पत्र मशीन लर्निंग के लिए एक सुदृढ़ न्यूरोमॉर्फिक प्लेटफॉर्म प्रस्तुत करता है जो केवल रैखिक ऑप्टिकल संसाधनों और कोहेरेंट स्टेट्स का उपयोग करके ऑप्टिकल न्यूरल नेटवर्क को लागू करता है, जो सरल प्रयोगात्मक इन सीटू प्रशिक्षण और अनुमान को सक्षम करने के लिए फेज़-शिफ्ट एनकोडिंग के माध्यम से आवश्यक नॉनलिनियैरिटी (अरेखीयता) प्राप्त करता है और फोटॉन हानि के प्रति उच्च लचीलापन प्रदर्शित करता है।

मूल लेखक: Amanuel Anteneh, Kyungeun Kim, J. M. Schwarz, Israel Klich, Olivier Pfister

प्रकाशित 2026-03-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amanuel Anteneh, Kyungeun Kim, J. M. Schwarz, Israel Klich, Olivier Pfister

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

कल्पना कीजिए कि आप एक कंप्यूटर को पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं, जैसे कि बिल्ली और कुत्ते के बीच अंतर करना, या मौसम का पूर्वानुमान लगाना। आमतौर पर, यह एक सिलिकॉन चिप (जैसे आपके लैपटॉप में GPU) के अंदर होता है, जो शक्तिशाली तो है लेकिन बहुत अधिक बिजली की खपत करता है और गर्मी पैदा करता है। इसे "वॉन न्यूमैन बॉटलनेक" (von Neumann bottleneck) कहा जाता है—यह ऐसा है जैसे आप अपने दिमाग (मेमोरी) और अपने पैरों (प्रोसेसर) के बीच डेटा का भारी बैकपैक लेकर मैराथन दौड़ने की कोशिश कर रहे हों।

यह शोध पत्र इस काम को करने का एक क्रांतिकारी नया तरीका प्रस्तावित करता है: सोचने के लिए स्वयं प्रकाश (रोशनी) का उपयोग करना।

यहाँ उनके विचार का सरल विवरण दिया गया है, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है।

1. समस्या: "नॉनलिनैरिटी" (Nonlinearity) की बाधा

एक मानक कंप्यूटर मस्तिष्क (न्यूरल नेटवर्क) में, जटिल चीजों को सीखने की "जादुई" क्षमता नॉनलिनैरिटी से आती है। इसे एक क्लब के बाउंसर की तरह समझें। यदि आप बहुत छोटे हैं, तो आप अंदर नहीं जा सकते। यदि आप पर्याप्त लंबे हैं, तो आप जा सकते हैं। यह एक स्पष्ट, निर्णायक नियम है जो एक सीधी रेखा नहीं है।

ऑप्टिकल कंप्यूटरों (प्रकाश का उपयोग करने वाले कंप्यूटर) में, प्रकाश को इस "बाउंसर" की तरह व्यवहार करने के लिए मजबूर करना बहुत कठिन है। आमतौर पर, आपको प्रकाश को अजीब, गैर-रेखीय तरीकों से मोड़ने के लिए विशेष, ऊर्जा-खपत करने वाली सामग्रियों की आवश्यकता होती है। यह पानी से बना क्लब बाउंसर बनाने की कोशिश करने जैसा है; पानी बस चीजों के चारों ओर बह जाता है।

2. समाधान: "नॉब" (Knob) वाली ट्रिक

लेखक कहते हैं, "रुकिए। हमें उस नॉनलिनैरिटी को पाने के लिए प्रकाश को खुद मोड़ने की आवश्यकता नहीं है। हमें बस प्रकाश को नियंत्रित करने वाले नॉब्स (घुमाने वाले बटन) को घुमाने की आवश्यकता है।"

उन्होंने एक मशीन बनाई जिसे लेजर इंटरफेरोमीटर (Laser Interferometer) कहा जाता है। एक विशाल, जटिल दर्पणों और बीमस्प्लिटर के भूलभुलैया की कल्पना करें।

इनपुट: आप एक भूलभुलैया में लेजर बीम भेजते हैं।
नॉब्स: प्रकाश के आकार को बदलने के बजाय, वे प्रकाश तरंगों के समय (फेज) को बदलकर छोटे नॉब्स (फेज शिफ्टर्स) घुमाते हैं।
जादू: यहाँ चालाकी भरी बात है। भले ही प्रकाश तरंगें स्वयं रैखिक रूप से जुड़ती हैं (जैसे तालाब में लहरें), लेकिन वे नॉब्स जिन्हें वे घुमा रहे हैं, इनपुट डेटा के साथ इस तरह जुड़े होते हैं कि एक वक्र (curve) बन जाता है।

उपमा: कल्पना कीजिए कि आप पेंट मिला रहे हैं।

पुराना तरीका: आप पेंट को अपने आप रंग बदलने के लिए जादू से बदलने की कोशिश करते हैं (ऐसा करना कठिन है)।
नया तरीका: आपके पास एक मशीन है जो लाल और नीले पेंट को मिलाती है। मशीन स्वयं सरल (रैखिक) है। लेकिन आप मशीन को बताते हैं कि आपने कागज पर लिखे एक जटिल फॉर्मूले के आधार पर लाल और नीले रंग को कितना मिलाना है (इनपुट)। मिश्रण का परिणाम जटिल दिखता है, भले ही मशीन केवल सरल गणित करती हो।

डेटा को प्रकाश के बजाय नॉब्स की सेटिंग्स में एनकोड करके, उन्हें बिना किसी महंगे, ऊर्जा-खपत करने वाली सामग्री के "बाउंसर" प्रभाव प्राप्त होता है।

3. मशीन को प्रशिक्षित करना: "करके सीखना"

आप इस प्रकाश की भूलभुलैया को कैसे सिखाते हैं?
सामान्य कंप्यूटरों में, आप वेट्स (weights) को कैसे समायोजित किया जाए यह जानने के लिए पूरी प्रक्रिया को स्क्रीन पर सिम्युलेट करते हैं।
इस शोध पत्र में, वे दिखाते हैं कि आप मशीन को भौतिक रूप से (in situ) प्रशिक्षित कर सकते हैं।

पैरामीटर शिफ्ट नियम (The Parameter Shift Rule): कल्पना कीजिए कि आप एक स्पष्ट सिग्नल पाने के लिए रेडियो की सबसे अच्छी सेटिंग खोजने की कोशिश कर रहे हैं। बेतरतीब ढंग से अनुमान लगाने के बजाय, आप डायल को थोड़ा दाईं ओर घुमाते हैं, सुनते हैं, फिर डायल को थोड़ा बाईं ओर घुमाते हैं, और फिर सुनते हैं। इन दोनों के अंतर को देखकर, आप जानते हैं कि डायल को किस दिशा में घुमाना है।
लेखक दिखाते हैं कि उनके प्रकाश यंत्र के लिए, आप बिल्कुल यही कर सकते हैं। आप एक नॉब को ट्यून करते हैं, निकलने वाले प्रकाश को मापते हैं, उसे दूसरी तरफ घुमाते हैं, फिर से मापते हैं, और अंतर आपको बताता है कि मशीन को कैसे बेहतर बनाया जाए। किसी जटिल कंप्यूटर सिमुलेशन की आवश्यकता नहीं है; भौतिकी (physics) ही गणित करती है।

4. "टूटे हुए कांच" का परीक्षण (Resilience)

ऑप्टिकल कंप्यूटरों के साथ सबसे बड़ा डर यह है कि यदि कोई दर्पण गंदा हो जाता है या कोई फाइबर ऑप्टिक केबल थोड़ा सा प्रकाश खो देता है, तो पूरा सिस्टम टूट जाता है।

लेखकों ने इसका परीक्षण किया। उन्होंने एक परिदृश्य का अनुकरण किया जहाँ मशीन ने हर चरण पर अपने प्रकाश का 50% खो दिया।

परिणाम: मशीन को इससे कोई फर्क नहीं पड़ा। इसने बस तालमेल बिठाने के लिए नॉब्स को थोड़ा और जोर से घुमाया।
रूपक: यह एक गायक मंडली (choir) की तरह है। यदि आधे गायकों की आवाज चली जाती है, तो कंडक्टर बाकी बचे गायकों को थोड़ा ज़ोर से गाने के लिए कहता है, और गाना फिर भी एकदम सही सुनाई देता है। यह इसे वास्तविक दुनिया के हार्डवेयर के लिए अविश्वसनीय रूप से मजबूत बनाता है।

5. उन्होंने वास्तव में क्या किया?

उन्होंने केवल इसके बारे में बात नहीं की; उन्होंने यह साबित करने के लिए कंप्यूटर पर पूरे सिस्टम का सिमुलेशन किया कि यह काम करता है। उन्होंने अपने "प्रकाश मस्तिष्क" को सिखाया:

गणित हल करना: डेटा के साथ कर्व्स को फिट करना (जैसे स्टॉक ट्रेंड का पूर्वानुमान लगाना)।
गेम खेलना: क्लासिक "XOR" लॉजिक पहेली को हल करना (जिसे साधारण रैखिक मशीनें नहीं कर सकतीं)।
छवियों को पहचानना: हस्तलिखित अंकों (0-9) को 98% सटीकता के साथ पहचानना।
आवाज की पहचान: विभिन्न स्वर ध्वनियों (vowels) के बीच अंतर करना।

बड़ी तस्वीर

यह शोध पत्र एक अत्यधिक कुशल, प्रकाश-आधारित मस्तिष्क का ब्लूप्रिंट है।

यह क्यों महत्वपूर्ण है: यह केवल रैखिक प्रकाशिकी (दर्पण और बीमस्प्लिटर) का उपयोग करता है, जो सस्ते, तेज़ और आधुनिक तकनीक में पहले से मौजूद हैं।
लाभ: यह कठिन "नॉनलीनियर" सामग्रियों को बनाने की आवश्यकता से बचाता है।
भविष्य: इससे ऐसे चिप्स बन सकते हैं जो नाखून के आकार के हों, बहुत कम बिजली पर चलें, और जितनी तेज़ी से लेजर चमकता है उतनी तेज़ी से कार्य सीख सकें। यह हमारे कंप्यूटरों में प्रकाश की गति और मानव मस्तिष्क की दक्षता को लाने की दिशा में एक कदम है।

संक्षेप में: उन्होंने प्रकाश को मोड़ने के बजाय, डायल घुमाकर एक प्रकाश-आधारित कंप्यूटर को "स्मार्ट" बनाने का तरीका खोजा, और उन्होंने साबित किया कि यह वास्तविक दुनिया की खामियों को झेलने के लिए पर्याप्त मजबूत है।

यहाँ शोध पत्र "Laser interferometry as a robust neuromorphic platform for machine learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

आधुनिक डीप लर्निंग मॉडल ऊर्जा दक्षता और स्केलेबिलिटी के संबंध में महत्वपूर्ण चुनौतियों का सामना करते हैं, जिसे डिजिटल सिलिकॉन आर्किटेक्चर में मेमोरी और कंप्यूटिंग के अलगाव के कारण अक्सर "वॉन न्यूमैन बॉटलनेक" (von Neumann bottleneck) कहा जाता है। जबकि न्यूरोमॉर्फिक कंप्यूटिंग और फोटोनिक न्यूरल नेटवर्क (PNNs) उच्च गति और ऊर्जा दक्षता के साथ आशाजनक विकल्प प्रदान करते हैं, वर्तमान फोटोनिक कार्यान्वयन दो मुख्य बाधाओं का सामना करते हैं:

स्केलेबिलिटी (Scalability): ऑप्टिकल सिस्टम को बड़े आकार तक स्केल करना कठिन है।
नॉनलिनियैरिटी (Nonlinearity): लो-पावर ऑप्टिकल नॉनलिनियैरिटी (जो सीखने के लिए आवश्यक है) को लागू करना प्रयोगात्मक रूप से चुनौतीपूर्ण है। पिछले प्रस्ताव अक्सर कठिन-से-लागू होने वाली ऑप्टिकल केर (Kerr) नॉनलिनियैरिटी या जटिल क्वांटम नॉन-गॉसियन ऑपरेशन्स (जैसे, फोटॉन-संख्या रिज़ॉलिंग मेजरमेंट्स) पर निर्भर थे।

लेखक एक मजबूत, स्केलेबल और प्रयोगात्मक रूप से व्यवहार्य ऑप्टिकल न्यूरल नेटवर्क (ONN) प्रदर्शित करने का लक्ष्य रखते हैं जो प्रकाश क्षेत्र (light field) में अंतर्निहित भौतिक नॉनलिनियैरिटी पर निर्भर रहे बिना नॉनलिनियर लर्निंग प्राप्त करता है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र लेजर इंटरफेरोमेट्री और फील्ड डिस्प्लेमेंट (field displacements) पर आधारित एक लीनियर ऑप्टिकल न्यूरल नेटवर्क आर्किटेक्चर का प्रस्ताव करता है।

मुख्य आर्किटेक्चर (Core Architecture):
- यह सिस्टम ट्यूनेबल बीमस्प्लिटर्स और फेज शिफ्टर्स से बने एक मल्टीमोड लेजर इंटरफेरोमीटर का उपयोग करता है।
- इनपुट एनकोडिंग (Input Encoding): इनपुट्स को न केवल कोहेरेंट स्टेट्स के आयाम (amplitude) में, बल्कि महत्वपूर्ण रूप से, ऑप्टिकल घटकों के फेज शिफ्ट पैरामीटर्स ( $\phi$ ) में एनकोड किया जाता है।
- नॉनलिनियैरिटी का स्रोत (Nonlinearity Source): लर्निंग के लिए आवश्यक नॉनलिनियैरिटी, फेज शिफ्ट पैरामीटर और फील्ड ट्रांसफॉर्मेशन के बीच गणितीय संबंध से प्राप्त होती है। विशेष रूप से, एक फेज शिफ्ट $R(\phi)$ फील्ड क्वाड्रचर को $\cos(\phi)$ और $\sin(\phi)$ के माध्यम से रूपांतरित करता है। हालांकि ऑप्टिकल इवोल्यूशन फील्ड के संबंध में लीनियर है, लेकिन यह ट्रेन करने योग्य पैरामीटर्स ( $\phi$ ) के संबंध में नॉनलिनियर है।
- लीनियर लेयर्स (Linear Layers): फुली कनेक्टेड लीनियर ट्रांसफॉर्मेशन को सभी मोड पेयर्स (केवल निकटतम पड़ोसियों तक सीमित नहीं) को जोड़ने वाले $M \times M$ इंटरफेरोमीटर का उपयोग करके साकार किया जाता है, जो वैनिशिंग/एक्सप्लोडिंग ग्रेडिएंट्स से बचने के लिए यूनिटरी मैट्रिसेस का उपयोग करता है।
- बायस/डिस्प्लेसमेंट (Bias/Displacement): बायस टर्म्स को इंटरफेरोमीटर से पहले लागू किए गए एम्प्लीट्यूड और फेज डिस्प्लेमेंट्स ( $\vec{d}(\vec{\alpha})$ ) के माध्यम से लागू किया जाता है।
- आउटपुट (Output): नेटवर्क का आउटपुट फील्ड क्वाड्रचर ( $Q$ ) के होमोडाइन डिटेक्शन के माध्यम से निकाला जाता है, जो क्लासिकल न्यूरल नेटवर्क एक्टिवेशन्स के समान निरंतर वास्तविक-मान (real-valued) आउटपुट प्रदान करता है।
प्रशिक्षण प्रोटोकॉल (In Situ Training Protocols):
शोध पत्र प्रदर्शित करता है कि नेटवर्क को सर्किट की लीनियर गॉसियन प्रकृति के अनुकूल दो ग्रेडिएंट एस्टीमेशन विधियों का उपयोग करके सीधे भौतिक हार्डवेयर पर ("इन सीटू") प्रशिक्षित किया जा सकता है:
1. पैरामीटर-शिफ्ट नियम (Parameter-Shift Rule): एक सटीक विधि जहाँ ग्रेडिएंट्स को एक पैरामीटर $\theta_i$ को $\pm \pi/2$ (या अन्य स्थिरांक) से शिफ्ट करके और एक्सपेक्टेशन वैल्यूज के अंतर को मापकर कंप्यूट किया जाता है। यह फाइनाइट-डिफरेंस एप्रोक्सिमेशन से बचता है।
2. सिमल्टेनियस परटर्बेशन स्टोकेस्टिक एप्रोक्सिमेशन (SPSA): एक विधि जो ग्रेडिएंट का अनुमान लगाने के लिए सभी पैरामीटर्स को एक साथ विक्षेपित (perturb) करती है, जो उच्च-आयामी पैरामीटर स्पेस के लिए कम्प्यूटेशनल दक्षता प्रदान करती है।
सिमुलेशन फ्रेमवर्क (Simulation Framework):
लेखक PyTorch फ्रेमवर्क का उपयोग करके अपने सर्किट का सिमुलेशन करते हैं, जिसमें सिस्टम को गॉसियन क्वांटम फॉर्मलिज्म (कंटीन्यूअस-वेरिएबल क्यूमोड्स) का उपयोग करके मॉडल किया गया है ताकि भविष्य के क्वांटम विस्तारों के साथ अनुकूलता सुनिश्चित हो सके, हालांकि वर्तमान कार्यान्वयन क्लासिकल रिजीम (कोहेरेंट स्टेट्स) के भीतर कार्य करता है।

3. प्रमुख योगदान (Key Contributions)

नया एनकोडिंग स्ट्रैटेजी (Novel Encoding Strategy): यह शोध पत्र केवल लीनियर ऑप्टिकल रिसोर्सेज का उपयोग करके नॉनलिनियर लर्निंग प्राप्त करने की एक विधि पेश करता है, जिसमें डेटा को ऑप्टिकल सर्किट के फील्ड वेरिएबल्स के बजाय पैरामीटर्स में एनकोड किया जाता है। यह कठिन-से-लागू होने वाली ऑप्टिकल नॉनलिनियैरिटी की आवश्यकता को समाप्त करता है।
प्रयोगात्मक व्यवहार्यता (Experimental Feasibility): प्रस्तावित आर्किटेक्चर पिछले प्रस्तावों की तुलना में काफी सरल है, जो मानक इंटीग्रेटेड फोटोनिक्स घटकों (बीमस्प्लिटर्स, फेज शिफ्टर्स, डिस्प्लेमेंट्स) का उपयोग करता है और वर्तमान अत्याधुनिक इंटीग्रेटेड फोटोनिक प्लेटफॉर्म के साथ संगत है।
इन सीटू ट्रेनिंग क्षमता (In Situ Training Capability): लेखक एक पैरामीटर-शिफ्ट नियम का उपयोग करके नेटवर्क को सीधे हार्डवेयर पर प्रशिक्षित करने के लिए एक कठोर ढांचा प्रदान करते हैं, जो गॉसियन सर्किटों के लिए सटीक है, जिससे भौतिक बैकप्रोपैगेशन व्यवहार्य हो जाता है।
मजबूती विश्लेषण (Robustness Analysis): फोटॉन लॉस (क्षीणन/attenuation) के प्रभावों का विस्तृत जांच यह प्रकट करती है कि मॉडल अत्यधिक लचीला है।

4. परिणाम (Results)

लेखकों ने विभिन्न मशीन लर्निंग कार्यों पर अपने दृष्टिकोण को संख्यात्मक सिमुलेशन के माध्यम से मान्य किया:

नॉनलिनियर रिग्रेशन (Nonlinear Regression):
- नेटवर्क ने शोर वाले डेटा से जटिल नॉनलिनियर फंक्शन ( $\tanh(2x)$ , $\sin(\pi x)$ , $x^2$ , $x^3$ ) को अनुमानित करने में सफलता प्राप्त की।
- लॉस के प्रति मजबूती (Robustness to Loss): महत्वपूर्ण फोटॉन लॉस (ट्रांसमिसिविटी $\eta = 0.5$ ) के साथ भी, नेटवर्क ने उच्च सटीकता बनाए रखी। सिस्टम ने डिस्प्लेसमेंट पैरामीटर्स के परिमाण को बढ़ाकर नुकसान की भरपाई की, जो अनुकूलन क्षमता को दर्शाता है।
बाइनरी क्लासिफिकेशन (Binary Classification):
- मॉडल ने तीन नॉन-लीनियरली सेपरेबल डेटासेट्स: XOR, कॉन्सेंट्रिक सर्कल्स (Concentric Circles), और "मून्स" (Moons) पर 100% टेस्ट एक्यूरेसी प्राप्त की।
- ग्रेडिएंट नॉइज़ (Gradient Noise): सिमुलेशन ने दिखाया कि पैरामीटर-शिफ्ट नियम के माध्यम से ग्रेडिएंट का अनुमान लगाने के लिए सीमित संख्या में "शॉट्स" (सैंपल्स) का उपयोग करने के बावजूद मॉडल 100% सटीकता तक पहुँचने में सक्षम था, हालांकि कम शॉट्स (जैसे, 100 शॉट्स) के साथ अभिसरण (convergence) थोड़ा धीमा था।
मल्टीक्लास क्लासिफिकेशन (Multiclass Classification):
- आइरिस डेटासेट (Iris Dataset): 94.67% सटीकता प्राप्त की।
- हैंडरिटन डिजिट्स (MNIST सबसेट): 64-मोड सर्किट का उपयोग करके 98.19% सटीकता प्राप्त की। यह प्रदर्शन समान पैरामीटर काउंट (96.94%) वाले क्लासिकल न्यूरल नेटवर्क के तुलनीय था।
- वोवेल रिकग्निशन (Vowel Recognition): 37 वक्ताओं द्वारा बोले गए 7 स्वरों के डेटासेट पर 98.46% सटीकता प्राप्त की।
ऊर्जा दक्षता (Energy Efficiency - Regularization):
- डिस्प्लेसमेंट पैरामीटर्स पर LASSO (L1) रेगुलराइजेशन लागू करके, लेखकों ने प्रदर्शित किया कि टेस्ट एक्यूरेसी को महत्वपूर्ण रूप से कम किए बिना 80-99% डिस्प्लेसमेंट एम्प्लीट्यूड को लगभग शून्य तक कम किया जा सकता है। यह भौतिक कार्यान्वयन में विशिष्ट लेजर को बंद करके ऊर्जा की खपत को भारी मात्रा में कम करने का एक मार्ग सुझाता है।

5. महत्व (Significance)

क्लासिकल और क्वांटम के बीच सेतु (Bridging Classical and Quantum): जबकि वर्तमान कार्य क्लासिकल रिजीम में काम करता है, गॉसियन क्वांटम फॉर्मलिज्म का उपयोग भविष्य के क्वांटम विस्तारों के लिए आधार तैयार करता है। यह स्पष्ट करता है कि यदि पैरामीटर एनकोडिंग का उपयोग किया जाता है, तो लर्निंग के लिए ऑप्टिकल नॉनलिनियैरिटी अनिवार्य नहीं है।
स्केलेबल न्यूरोमॉर्फिक हार्डवेयर (Scalable Neuromorphic Hardware): यह दृष्टिकोण फोटोनिक कंप्यूटिंग की स्केलेबिलिटी बाधा को संबोधित करता है। लीनियर इंटरफेरोमेट्री (जो इंटीग्रेटेड फोटोनिक्स में अत्यधिक स्केलेबल है) पर निर्भर करके और नॉनलिनियर ऑप्टिकल सामग्रियों से बचकर, बड़े पैमाने पर ऊर्जा-कुशल PNNs का मार्ग प्रशस्त होता है।
हार्डवेयर-अवेयर ट्रेनिंग (Hardware-Aware Training): पैरामीटर-शिफ्ट नियमों के माध्यम से इन सीटू ट्रेनिंग का प्रदर्शन एक ठोस रोडमैप प्रदान करता है, जिससे भौतिक न्यूरल नेटवर्क को सीधे ऑन-चिप सीखने के लिए तैनात किया जा सकता है, जो फिजिकल लेयर के डिजिटल सिमुलेशन की आवश्यकता को दरकिनार करता है।
लचीलापन (Resilience): यह निष्कर्ष कि नेटवर्क फोटॉन लॉस (जो वास्तविक दुनिया के फोटोनिक सर्किटों में एक प्रमुख खामी है) के प्रति मजबूत है, इस आर्किटेक्चर को निकट भविष्य के हार्डवेयर पर तैनाती के लिए विशेष रूप से आकर्षक बनाता है।

निष्कर्षतः, यह शोध पत्र स्थापित करता है कि पैरामीटर एनकोडिंग के साथ लीनियर ऑप्टिकल इंटरफेरोमेट्री न्यूरोमॉर्फिक कंप्यूटिंग के लिए एक शक्तिशाली, मजबूत और प्रयोगात्मक रूप से व्यवहार्य प्लेटफॉर्म है, जो उच्च ऊर्जा दक्षता और हार्डवेयर खामियों के प्रति लचीलेपन के साथ जटिल मशीन लर्निंग कार्यों को हल करने में सक्षम है।