Photonic Extreme Learning Machines using Event-Based detection

技術要約：イベントベース検出を用いたフォトニック・エクストリーム・ラーニング・マシン

問題提起
フォトニック・エクストリーム・ラーニング・マシン（PELM）は、ランダムな光伝搬、検出非線形性、および学習済みの線形リードアウトを利用して、隠れ層の学習を回避することで、エネルギー効率が高くスケーラブルな光コンピューティングへの道筋を提示している。しかし、従来のPELMの実装は、CCDまたはCMOSカメラを用いた強度検出に依存している。この手法は、特にインプットの特徴空間が低次元である場合、隠れ表現空間の次元数を制約してしまう。このようなケースでは、PELMの固有の汎化能力は、二乗則検出の特性と、ノイズをフィルタリングするための追加の正則化の必要性に 의해制限されることが多く、これが実質的に隠れ層出力行列の利用可能なランクを減少させてしまう。したがって、標準的な強度ベースの飽和応答の制約を受けずに、より豊かで高次元な隠れ表現を提供できる代替のリードアウト機構が必要とされている。

手法
本研究では、イベントベースのフォトニック・エクストリーム・ラーニング・マシン（EV-PELM）アーキテクチャを提案し、実験的に検証する。本システムは、従来の強度検出に代わり、非同期イベントベースカメラ（ダイナミック・ビジョン・センサ、DVS）を使用する。

• 光学セットアップ： 入力特徴量は、デジタル・マイクロミラー・デバイス（DMD）を用いて光ビームの振幅プロファイル上にエンコードされる。ビームはマルチモードファイバーを伝搬し、これが複雑な媒体として機能することで、スペックル生成を介したランダムな線形重みとバイアスを実装する。
• イベントベース検出： 絶対的な強度を測定する代わりに、イベントベースカメラは対数強度の変化を検出する。ログ強度の変化が調整可能な閾値 $C$ を超えたとき、ピクセルでイベントが登録される。ピクセルごとの対数強度は、$L(X) = \log(|\bar{w} \cdot E^{(in)}(X) + b|^2 + B)$ とモデル化される。
• 隠れ表現： 生のイベントストリーム（ピクセルアドレス、タイムスタンプ、極性）は、3つの異なるピクセルごとの隠れ表現（$\phi$）に変換される：
  1. 初発イベント時刻（First-Event Time）： 各ピクセルにおける最初のイベントのタイムスタンプ。
  2. バイナリ活性化（Binary Activation）： キャプチャウィンドウ中にピクセルが発火したかどうかのバイナリインジケータ。
  3. イベントカウント（Event Count）： 各ピクセルによって記録された総イベント数。
• リードアウト： 学習済みの線形リードアウト層が、リッジ回帰またはムーア・ペンローズの擬似逆行列を用いて、これらの表現に対して適用される。システムの有効次元数は、正則化パラメータ $\lambda$ をスキャンし、隠れ層出力行列の特異値に対する依存性を観察することによって分析される。

主な貢献

• 新しい検出パラダイム： 本論文は、標準的な二乗則強度検出を超え、より豊かな閾値付き対数強度応答をPELMの非線形活性化関数として生成するために、イベントベースカメラを使用することを導入している。
• 実験的検証： 著者らは、2つの困難な非線形タスク（2つのスパイラル分布の分類、およびターゲットとなるsinc関数の回帰）において、EV-PELMを実験的に実証した。
• 次元分析： 本研究は、正則化依存性と有効次元性指標を通じて推定される、隠れ層出力行列の利用可能なランクの増加と、EV-PELMの性能との関係を明らかにしている。
• ノイズと安定性の評価： 本研究は、系統的な光強度ドリフトに対するシステムの感度、および繰り返し行われるノイズを含む測定下での汎化能力を評価している。

結果

• 分類性能： 非線形な2スパイラル分類タスクにおいて、EV-PELMは 93 ± 3% の精度を達成した。この結果は、強力な固有の汎化能力を示している。
• 次元と正則化： リッジ回帰と擬似逆行列によるリードアウトの性能は同等であることが判明し、これはシステムがサンプル制限のある有効次元の領域で動作していることを示している。正則化パラメータ $\lambda$ をスキャンすることで、イベントベースのアプローチが隠れ表現の利用可能な次元を探索できることが確認された。
• 回帰と安定性： 回帰の結果は、系統的な光強度ドリフトに対する感度を明らかにした。この知見は、将来のイベントベースPELM、特に光学光源と検出閾値の一貫性に関する具体的な安定性要件を浮き彫りにしている。
• 汎化： システムは、繰り返し行われるノイズを含む測定の下でも性能を維持したが、その具体的な堅牢性の限界は、イベント検出の性質（例：高いレートでのイベントの取りこぼしや、ノイズによるトリガー）に依存している。

意義と主張
本論文は、イベントベース検出が、ニューロモーフィック・コンピューティングのためのより豊かなフォトニック隠れ表現に向けた実行可能な経路であることを確立したと主張している。イベントカメラのネイティブな閾値付き対数強度変化を活用することで、EV-PELMは従来の強度ベースのリードアウトに固有の次元制約を克服している。

しかし、著者らは現在の技術の状態に関して控えめなトーンを維持している。彼らは、このアプローチが高い性能を持つマシンへの可能性を提供する一方で、現在は系統的な光強度ドリフトやイベントセンサの非理想性（電荷蓄積やノイズなど）に関連する制限に直面していることを明確にしている。本研究は、EV-PELMの可能性を示すと同時に、光コンピューティング・アーキテクチャにおける今後の発展に不可欠な、特定の安定性要件を定義する役割を果たしている。