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

Technische Samenvatting: Experimenteel onderzoek naar tijdreeksclassificatie met behulp van een zelf-pulserend microring-resonatornetwerk

Probleemstelling
Fotonische neuromorfische computing biedt aanzienlijke voordelen op het gebied van energie-efficiëntie en parallelle verwerking, maar heeft vaak moeite met het realiseren van schaalbare nonlineariteit en langetermijngeheugen zonder terug te vallen op energie-intensieve Optical-to-Electrical-to-Optical (OEO) conversies. Hoewel faseveranderende materialen (PCM's) zijn voorgesteld voor all-optisch geheugen, introduceren zij hoge vermogensverliezen en problemen bij het resetten. Silicon microring-resonatoren (MRR's) bieden een potentiële oplossing door intrinsieke nonlineariteit en vluchtig geheugen te bieden via vrije-drager- en thermo-optische effecten. Er is echter behoefte aan een robuuste, diepgaande analyse van hoe gekoppelde MRR-netwerken presteren als reservoirs voor machine learning (ML)-taken, specifiek met betrekking tot hun vermogen om complexe tijdreeksgegevens afgeleid van afbeeldingen te verwerken zonder uitgebreide digitale voorverwerking.

Methodologie
De auteurs onderzochten experimenteel een fotonische geïntegreerde schakeling bestaande uit een netwerk van 64 gekoppelde silicon microring-resonatoren (8x8). Het systeem werkt als een Reservoir Computing (RC) platform waarbij de fysieke hardware fungeert als een vaste, niet-getrainde recurrente neurale netwerk, waarbij alleen een lineaire readout-laag wordt getraind.

• Systeemdynamica: Het MRR-netwerk wordt in een nietlineair regime gedreven met optische vermogens in het milliwatt-bereik. Dit induceert zelf-pulserend gedrag (oscillaties met perioden variërend van ~1 tot tientallen microseconden) als gevolg van de interactie tussen vrije-drager- en thermische effecten.
• Data-encodering: Afbeeldingen van de MNIST (handgeschreven cijfers) en Fashion-MNIST (kledingstukken) datasets (28×28 pixels) werden platgeslagen tot 784-punts tijdreeksen. Deze sequenties werden gecodeerd in optische intensiteit met behulp van een Arbitrary Waveform Generator (AWG) en een elektro-optische modulator. Drie encoderingsstrategieën werden getest: "Normal" (achtergrond = 0 vermogen), "Inverse" (achtergrond = max vermogen) en "Box" (achtergrond = 40% max vermogen).
• Dimensie-expansie: Om de mogelijkheden van het reservoir te benutten, maakte het systeem gebruik van meerdere fysieke dimensies:
  • Ruimtelijk: Signalen werden verkregen van zes verschillende output-poorten.
  • Spectraal: Tien verschillende laserfrequenties (192,68–192,86 THz) werden gebruikt.
  • Vermogen: Meerdere inputvermogensniveaus (1,1–5,5 mW) werden gevarieerd.
• Classificatiestrategieën:
  1. Volledige tijdreeks: De volledige temporele respons van het netwerk werd opgenomen en gevoed aan een lineaire classifier.
  2. Single-Pixel (Optisch Geheugen): Classificatie werd uitgevoerd op een enkele tijdsample (pixel) van de output, waarbij gebruik wordt gemaakt van het inherente geheugen van het netwerk om informatie over voorgaande inputs te behouden zonder digitale opslag.
• Baselines: De prestaties werden vergeleken met een baseline lineaire classifier getraind op ruwe digitale data, een "out-of-resonance" fotonische baseline (alleen lineaire transformatie) en digitale Multilayer Perceptrons (MLP's) met vergelijkbare parameteraantallen.

Belangrijkste Bijdragen
Dit werk breidt eerdere studies naar MRR-netwerken uit door:

1. Distinct Mechanisme: Het gebruik van complexe dynamica uit gekoppelde zelf-pulsering in meerdere MRR's voor langetermijngeheugen, in plaats van te vertrouwen op verliezigende PCM's.
2. Parameteronderzoek: Het systematisch onderzoeken van de impact van het aantal outputpoorten, de encoderingsmodaliteit en de input-samplingfrequenties op de ML-nauwkeurigheid.
3. Single-Pixel Inferentie: Het demonstreren van een classificatiesetting waarbij inferentie geen digitaal geheugen van de signaalhistorie vereist, door uitsluitend te vertrouwen op het optische geheugen van het MRR-netwerk.
4. Minimale Voorverwerking: Het gebruik van volledige datasets met minimale voorverwerking, bereikt via optische modulatie in plaats van digitale verwerking.
5. Computationele Kostenanalyse: Het leveren van een directe vergelijking met digitale ANN's met betrekking tot het aantal trainbare parameters en nietlineaire operaties die nodig zijn om vergelijkbare nauwkeurigheden te bereiken.

Resultaten

• MNIST Classificatie: Met behulp van een lineaire readout op volledige tijdreeksrepresentaties van meerdere poorten bereikte het systeem een piektestnauwkeurigheid van 96,49% (gebruikmakend van 5 poorten, inverse encodering, 20 ns tijdstap). Dit presteerde aanzienlijk beter dan de baseline lineaire classifier op ruwe data (92,03%) en de out-of-resonance fotonische baseline (92,12%).
• Fashion-MNIST Classificatie: Het systeem bereikte 85,81% nauwkeurigheid, een bescheiden verbetering ten opzichte van de baseline (85,17%), toegeschreven aan de verhoogde complexiteit van de dataset en de ruis van de fotonische transformatie.
• Vergelijking met Digitale ANN's: Om de 96,49% nauwkeurigheid van het fotonische systeem te evenaren, had een digitale ANN 120 verborgen neuronen (95.410 parameters) en 130 nietlineaire operaties nodig. Het fotonische systeem bereikte dit met een lineaire readout die slechts 10 nietlineaire operaties (softmax) en ongeveer 61.260 trainbare parameters vereiste (vanwege oversampling).
• Single-Pixel Classificatie: Wanneer er werd geclassificeerd op basis van een enkele tijdsample (pixel), behaalde het fotonische netwerk een nauwkeurigheid van 68,57% voor MNIST en 53,13% voor Fashion-MNIST. Dit was een substantiële verbetering ten opzichte van de out-of-resonance baseline (~24-25%), wat aantoont dat het geheugen van het netwerk een enkele pixel informatie over de gehele beeldhistorie kan coderen.

Betekenis en Claims
Het artikel beweert dat het voorgestelde MRR-netwerk een robuust, compact (0,15 mm²) en energie-efficiënt (enkele mW inputvermogen) alternatief biedt voor digitale neurale netwerken voor tijdreeksclassificatie. De auteurs benadrukken dat het vermogen van het systeem om dimensie-expansie uit te voeren via fysieke poorten, golflengtes en vermogensniveaus ervoor zorgt dat een eenvoudige lineaire readout een hoge nauwkeurigheid kan bereiken.

Cruciaal is dat het werk aantoont dat het inherente vluchtige geheugen en de nonlineariteit van gekoppelde MRR's de complexe digitale geheugens en nietlineaire activatiefuncties in specifieke edge computing-scenario's kunnen vervangen. Het "single-pixel" resultaat onderstreept het potentieel voor ultra-lage latentie inferentie waarbij digitale geheugenbuffers ongewenst of niet beschikbaar zijn. De auteurs positioneren dit niet als een concurrent van state-of-the-art digitale CNN's voor ruwe beeldclassificatie, maar als een proof-of-concept voor efficiënte, hardware-natuurlijke reservoir computing die de computationele overhead (parameters en nietlineaire operaties) vereist voor specifieke taken vermindert.