🤖 machine learning

HAMON: Passive Optical Sequence Mixing for Long-Horizon Forecasting

Het artikel introduceert HAMON, een passieve diffractieve optische voorspellingskern die gebruikmaakt van vrije-ruimte diffractie en trainbare fasemaskers om langetermijn tijdreeksvoorspellingen uit te voeren zonder digitale sequentiemenging, waarbij het concurrerende of superieure prestaties behaalt ten opzichte van sterke digitale baselines op verschillende benchmarks, terwijl het een concreet doel voor optische hardware-implementatie definieert.

Oorspronkelijke auteurs: Alper Yıldırım

Gepubliceerd 2026-06-16

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Alper Yıldırım

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het weer voor de komende week probeert te voorspellen op basis van de gegevens van de afgelopen week. Meestal doen computers dit door complexe digitale berekeningen uit te voeren, waarbij ze laag voor laag getallen verwerken in een siliciumchip.

Dit artikel introduceert HAMON, een totaal andere manier om dit te doen. In plaats van een digitale hersenpan te gebruiken om de toekomst te berekenen, gebruikt HAMON licht zelf om "de wiskunde te doen".

Hier is hoe het werkt, met behulp van eenvoudige analogieën:

1. De Opstelling: Een Raam met Uitzicht

Zie HAMON als een speciaal raam.

Het Verleden (De Input): Je neemt de geschiedenis van de gegevens (zoals de temperatuur van de afgelopen 336 uur) en schildert deze op de linkerkant van dit raam. Als de temperatuur hoog was, is de verf helder; als deze laag was, is de verf dof.
De Toekomst (De Output): De rechterkant van het raam wordt volledig donker gelaten. Dit vertegenwoordigt de periode die je wilt voorspellen.
Het Doel: Je wilt dat het licht van de "Verleden"-kant natuurlijk over het raam stroomt en magisch een beeld van de "Toekomst" vormt aan de donkere kant.

2. De Magische Truk: Passief Licht

In een normale computer heb je een processor nodig om te berekenen hoe het verleden in de toekomst verandert. In HAMON heb je geen processor nodig voor het zware werk.

In plaats daarvan plaats je een reeks speciale, transparante vellen (fase-maskers genoemd) tussen het verleden en de toekomst. Deze vellen zijn als op maat gemaakte filters die licht op een zeer specifieke manier buigen en draaien.

Wanneer je het "Verleden"-licht door deze vellen laat schijnen, interfereren de lichtgolven met elkaar (zoals rimpelingen in een vijver die elkaar ontmoeten).
Omdat de wetten van de fysica (specifiek hoe licht diffracteert en verspreidt) de regels bepalen, hervormt het licht zichzelf terwijl het reist.
Tegen de tijd dat het licht de "Toekomst"-kant bereikt, is het lichtpatroon de voorspelling.

De Belangrijke Innovatie: De computer hoeft alleen maar uit te zoeken welke vorm deze transparante vellen moeten hebben. Zodra ze zijn ontworpen, vindt de eigenlijke voorspelling automatisch plaats terwijl het licht erdoorheen gaat. Er is geen digitale wiskunde nodig tijdens de voorspelling zelf. Het is als het opzetten van een dominoreeks: zodat je de eerste duwt, vallen de rest vanzelf.

3. Waarom Doe je Dit?

De auteur merkte op dat voor langetermijnvoorspellingen de benodigde "wiskunde" eigenlijk vrij eenvoudig en lineair is. Het heeft niet de supercomplexe, zware digitale hersenpan nodig die moderne AI gewoonlijk gebruikt.

Aangezien licht van nature deze eenvoudige lineaire berekeningen gratis uitvoert terwijl het reist, waarom zou je dan een trage, energieverslindende digitale chip gebruiken? HAMON vraagt zich af: "Kunnen we de natuurkunde gewoon het werk laten doen?"

4. Wat Hebben Ze Gevonden?

De onderzoekers hebben dit idee getest met een computersimulatie van licht (omdat ze nog geen fysieke machine van glas en lenzen hebben gebouwd).

De Resultaten: Op verschillende standaard weers- en energie-datasets presteerde HAMON verrassend goed. In sommige gevallen was het zelfs beter dan de sterkste digitale AI-modellen die momenteel beschikbaar zijn.
Het Bewijs: Ze hebben "controle-checks" uitgevoerd om te controleren of het licht daadwerkelijk het werk deed. Wanneer ze de lichtpatronen door elkaar haalden of de manier waarop het licht binnenkwam veranderden, werden de voorspellingen slechter. Dit bewees dat het systeem niet simpelweg aan het "valsspelen" was met een digitale rekenmachine die aan het einde verborgen zat; het licht zelf droeg de informatie.

5. De Addertjes onder het Gras (Wat het Niet Is)

Het is nog geen eindproduct: Dit is momenteel een simulatie. Ze hebben nog geen fysiek apparaat gebouwd met echt glas en lasers.
Het is geen volledige vervanging: Het systeem heeft nog steeds een digitale computer nodig om de gegevens te "bereiden" (normaliseren) voordat ze in het licht worden geschoten, en om het resultaat te "lezen" nadat het licht is gepasseerd. Maar het kerngedeelte van het "denken" wordt gedaan door passief licht.

De Kernboodschap

HAMON is een bewijs van concept dat zegt: We hebben niet altijd een digitale hersenpan nodig om de toekomst te voorspellen. Soms, als je de juiste fysieke omgeving instelt (zoals een reeks lichtbuigende vellen), zal de natuur de voorspelling voor je doen, simpelweg door het licht erdoorheen te laten reizen. Het is een stap naar het gebruik van de wetten van de natuurkunde om snellere, efficiëntere AI te maken.

Technische Samenvatting: HAMON – Passieve Optische Sequentie-mix voor Lange-Termijn Voorspellingen

Probleemstelling

Lange-termijn tijdreeksvoorspelling heeft traditioneel vertrouwd op deep learning-architecturen, met name Transformers, die gebruikmaken van dichte, gesuperponeerde representaties en digitale matrixvermenigvuldiging. Recente bewijzen suggereren echter dat competitieve prestaties op standaard benchmarks niet noodzakelijkerwijs deze complexe niet-lineaire kenmerken vereisen. Lichtgewicht lineaire modellen (bijv. DLinear) en frequentiedomein-modellen (bijv. FITS) hebben aangetoond dat de kern van de voorspellingsoperator vaak een lage complexiteit heeft en ongeveer lineair is.

Deze observatie roept een fundamentele vraag op over het computationele substraat: Als de kern van de voorspellingsoperatie essentieel een lineaire mix van temporele of spectrale componenten is, moet deze dan geïmplementeerd worden via geleerd digitale rekenkunde? Dit artikel stelt dat lineaire operatoren, die computationeel duur zijn in silicium (omdat ze vermenigvuldig-en-optel-operaties vereisen), "gratis" kunnen worden uitgevoerd door passieve fysieke media, specifiek coherente lichtvoortplanting gestuurd door Fourier-optica.

Methodologie

De auteurs introduceren HAMON (Passive Optical Sequence Mixing), een voorspellingsarchitectuur die de digitale sequentie-mix-laag vervangt door een passieve diffractieve optische kern.

Kernarchitectuur

HAMON herformuleert de voorspellingsopgave als een diffractieprobleem:

Input Codering: Een multivariate historische tijdreeks $x \in \mathbb{R}^{L \times C}$ $x \in R^{L \times C}$ wordt genormaliseerd (met behulp van reversibele instantie-normalisatie, RevIN) en gecodeerd op een eendimensionale optische apertuur met breedte $G$ $G$ .
- Amplitude Codering: Genormaliseerde waarden bepalen direct de veldamplitude.
- Fase Codering: De apertuur heeft een eenheidsamplitude, en genormaliseerde waarden moduleren de fase ( $e^{i\alpha \pi x}$ ).
- De "toekomstige" posities op de apertuur worden donker gelaten (nul intensiteit).
Passieve Optische Kern: Het invoerveld plant voort door een reeks van $N$ $N$ gekaskadeerde, leerbare fase-maskers gescheiden door vrije-ruimte voortplantingsafstanden $z$ $z$ .
- Fase-maskers: Elke laag $\ell$ past een faseverschuiving $\phi_\ell$ toe via elementgewijze vermenigvuldiging: $U \leftarrow U \odot \exp(i\phi_\ell)$ .
- Voortplanting: Tussen de maskers plant het veld zich voort met behulp van de hoekspectrummethode (Fourier-optica), wat diffractie en interferentie simuleert.
- Readout (Uitlezing): Het veld wordt voortgeplant naar een uitleesvlak. De voorspelling wordt geëxtraheerd uit de aanvankelijk donkere regio die overeenkomt met de toekomstige tijdstappen.
  - Coherente Readout: Gebruikt het reële deel van het complexe veld.
  - Intensiteits-Readout: Gebruikt de gekwadrateerde magnitude $|U|^2$ .
  - Differentiele Intensiteits-Readout: Trekt intensiteiten van twee donkere regio's van elkaar af om een gesigneerde output te produceren die compatibel is met standaard detectoren.
Output Verwerking: De uitlezing wordt gedenormaliseerd om de uiteindelijke voorspelling $y \in \mathbb{R}^{H \times C}$ te produceren.

Training

Het systeem wordt getraind via digitale backpropagation door een differentieerbare golf-optica simulator. De leerbare parameters zijn uitsluitend de faseprofielen van de maskers $\{\phi_\ell\}_{\ell=1}^N$ . De verliesfunctie combineert de gemiddelde kwadratische fout (MSE) op de voorspelling met een aanvullende backcast-term om de historische input te reconstrueren. Er wordt geen digitale lineaire voorspellingskop toegepast na de optische kern.

Belangrijkste Bijdragen

Substraat Substitutie: HAMON laat zien dat de sequentie-mix-operator in competitieve voorspellers kan worden verplaatst van digitale silicium naar passief licht. Het vervangt de geleerde digitale lineaire laag door een leerbare diffractieve voortplantingsoperator.
Passieve Inferentie: In tegenstelling tot eerdere optische neurale netwerken die vertrouwen op niet-lineaire reservoirs of digitale uitleeskoppen, voert HAMON de volledige sequentie-mix-berekening uit via een enkele passieve optische voortplantingspas.
Hardware-bewust Ontwerp: De architectuur is ontworpen met oog voor hardwarebeperkingen, waarbij varianten (Fase/Differentiele Intensiteit) worden aangeboden die compatibel zijn met standaard intensiteitsdetectoren, waardoor de noodzaak voor coherente amplitude-uitlezing wordt vermeden.
Mechanistische Validatie: Door middel van ablatie-studies (fase-scrambling, interface-variaties) en cross-simulator controles (TorchOptics), verifiëren de auteurs dat de voorspellingscapaciteit voortkomt uit het data-dragende optische veld en de fysica van diffractie, en niet uit de digitale randvoorwaarden.

Experimentele Resultaten

HAMON werd geëvalueerd op standaard lange-termijn voorspellingsbenchmarks (ETT, Weather, Electricity, Traffic) met voorspellingshorizonten $H \in \{96, 192, 336, 720\}$ en een lookback van $L=336$ .

Prestaties:
- ETTm2: HAMON presteerde beter dan de sterkste digitale baselines (inclusclusief PatchTST en DLinear) bij alle horizonten, met een verbetering van de MSE met tot wel 14%.
- ETTh2: Presteerde beter dan baselines op alle horizonten, behalve de langste (720).
- Andere Datasets: HAMON was competitief op Weather en bleef achter bij de sterkste baselines op ETTh1, ETTm1, Electricity en Traffic.
Readout Varianten: De detector-compatibele "HAMON-DiffInt" variant (fase-codering + differentiele intensiteits-uitlezing) bleef competitief met de coherente uitleesvariant, wat vooral de prestaties op ETTm1 en Weather verbeterde.
Ablaties:
- Fase Scrambling: Het nulpunt maken, husselen of omdraaien van de teken van de inputfase verslechterde de prestaties aanzienlijk, wat bevestigt dat het model vertrouwt op de temporele fasestructuur van de data.
- Diepte: Het verhogen van het aantal lagen van 16 naar 24 leverde slechts marginale verbeteringen op, wat suggereert dat de 16-lagen configuratie de noodzakelijke fysica vangt.
- Context Lengte: Het vergroten van de lookback van 96 naar 336 verbeterde de prestaties, wat aangeeft dat de optische apertuur profiteert van extra historische context.

Betekenis en Claims

Het artikel kadert HAMON expliciet niet als een nieuw digitaal state-of-the-art model, maar als een onderzoek naar het substraat-niveau. De primaire claim is dat de kernberekening van moderne sequentiemodellen — specifiek de lineaire mix die vereist is voor lange-termijn voorspelling — kan worden geïnstantieerd als een passief fysiek proces.

Beperkte Omvang: De auteurs erkennen dat HAMON geen volledig optische end-to-end leerder is; normalisatie, codering en uitlezing blijven digitale of elektro-optische randoperaties.
Simulatie vs. Hardware: De resultaten zijn gebaseerd op golf-optica simulaties. Het artikel claimt geen experimentele hardware-validatie, maar voert aan dat de onderliggende fysica (Fourier-optica, diffractie, interferentie) standaard en goed begrepen is.
Toekomstige Richting: HAMON definieert een concreet doel voor optische hardware-implementatie. Het suggereert dat "passieve fysieke sequentie-mix" een plausibel onderzoeksprogramma is, dat potentieel energiezuinige inferentie kan bieden door lineaire operaties te verplaatsen van digitale processors naar diffractieve optica.

Samenvattend valideert HAMON de hypothese dat als een voorspellingsopgave kan worden opgelost door een lineaire operator, die operator niet strikt een digitale implementatie vereist en effectief kan worden gerealiseerd door leerbare passieve diffractie.