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

Resumo Técnico: Investigação Experimental de Classificação de Séries Temporais utilizando uma Rede de Microrressonadores de Anel Auto-pulsantes

Definição do Problema
A computação neuromórfica fotônica oferece vantagens significativas em eficiência energética e processamento paralelo, mas frequentemente enfrenta dificuldades para realizar não linearidade escalável e memória de longo prazo sem recorrer a conversões Óptico-Elétrico-Óptico (OEO) intensivas em energia. Embora materiais de mudança de fase (PCMs) tenham sido propostos para memória totalmente óptica, eles introduzem altas perdas de potência e dificuldades de reset. Microrressonadores de anel (MRRs) de silício oferecem uma solução potencial ao fornecer não linearidade intrínseca e memória volátil através de efeitos de portadores livres e termo-ópticos. No entanto, há uma necessidade de uma análise robusta e profunda de como redes de MRRs acoplados atuam como reservatórios para tarefas de aprendizado de máquina (ML), especificamente em relação à sua capacidade de lidar com dados complexos de séries temporais derivados de imagens sem o uso de pré-processamento digital extensivo.

Metodologia
Os autores investigaram experimentalmente um circuito integrado fotônico composto por uma rede de 64 nós (8x8) de microrressonadores de anel de silício acoplados. O sistema opera como uma plataforma de Computação de Reservatório (RC) onde o hardware físico atua como uma rede neural recorrente fixa e não treinada, sendo treída apenas uma camada de leitura linear.

• Dinâmica do Sistema: A rede de MRR é impulsionada para um regime não linear usando potências ópticas de entrada na ordem de miliwatts. Isso induz um comportamento de auto-pulsação (oscilações com períodos variando de ~1 a dezenas de microssegundos) devido à interação entre os efeitos de portadores livres e térmicos.
• Codificação de Dados: Imagens dos conjuntos de dados MNIST (dígitos manuscritos) e Fashion-MNIST (itens de vestuário) (28×28 pixels) foram achatadas em sequências temporais de 784 pontos. Essas sequências foram codificadas em intensidade óptica usando um Gerador de Forma de Onda Arbitrária (AWG) e um modulador eletro-óptico. Três estratégias de codificação foram testadas: "Normal" (fundo = 0 de potência), "Inversa" (fundo = potência máxima) e "Box" (fundo = 40% da potência máxima).
• Expansão de Dimensionalidade: Para explorar as capacidades do reservatório, o sistema utilizou múltiplas dimensões físicas:
  • Espacial: Os sinais foram adquiridos de seis portas de saída distintas.
  • Espectral: Dez diferentes frequências de laser (192,68–192,86 THz) foram utilizadas.
  • Potência: Múltiplos níveis de potência de entrada (1,1–5,5 mW) foram variados.
• Estratégias de Classificação:
  1. Série Temporal Completa: Toda a resposta temporal da rede foi registrada e alimentada em um classificador linear.
  2. Pixel Único (Memória Óptica): A classificação foi realizada em uma única amostra temporal (pixel) da saída, aproveitando a memória inerente da rede para reter informações sobre entradas anteriores sem armazenamento digital.
• Baselines: O desempenho foi comparado contra um classificador linear de base treinado em dados digitais brutos, um baseline fotônico "fora de ressonância" (transformação linear apenas) e Perceptrons Multicamadas (MLPs) digitais com contagens de parâmetros comparáveis.

Principais Contribuições
Este trabalho expande estudos anteriores de redes de MRR ao:

1. Mecanismo Distinto: Utilizar dinâmicas complexas de auto-pulsação acoplada em múltiplos MRRs para memória de longo prazo, em vez de depender de PCMs dissipativos.
2. Exploração de Parâmetros: Investigar sistematicamente o impacto do número de portas de saída, modalidade de codificação e taxas de amostragem de entrada na precisão do ML.
3. Inferência de Pixel Único: Demonstrar um cenário de classificação onde a inferência não requer memória digital do histórico do sinal, dependendo exclusivamente da memória óptica da rede MRR.
4. Mínimo Pré-processamento: Utilizar conjuntos de dados completos com mínimo pré-processamento, alcançado via modulação óptica em vez de processamento digital.
5. Análise de Custo Computacional: Fornecer uma comparação direta com redes neurais digitais (ANNs) em relação ao número de parâmetros treináveis e operações não lineares necessárias para atingir precisões semelhantes.

Resultos

• Classificação MNIST: Usando uma leitura linear em representações de série temporal completa de múltiplas portas, o sistema atingiu uma precisão de teste de pico de 96,49% (usando 5 portas, codificação inversa, timestep de 20 ns). Isso superou significativamente o classificador linear de base em dados brutos (92,03%) e o baseline fotônico fora de ressonância (92,12%).
• Classificação Fashion-MNIST: O sistema alcançou 85,81% de precisão, uma melhoria modesta sobre o baseline (85,17%), atribuída à maior complexidade do conjunto de dados e ao ruído da transformação fotônica.
• Comparação com ANNs Digitais: Para igualar a precisão de 96,49% do sistema fotônico, uma ANN digital exigiu 120 neurônios ocultos (95.410 parâmetros) e 130 operações não lineares. O sistema fotônico alcançou isso com uma leitura linear exigindo apenas 10 operações não lineares (softmax) e aproximadamente 61.260 parâmetros treináveis (devido ao oversampling).
• Classificação de Pixel Único: Ao classificar com base em uma única amostra temporal (pixel), a rede fotônica alcançou 68,57% de precisão para MNIST e 53,13% para Fashion-MNIST. Isso representou uma melhoria substancial sobre o baseline fora de ressonância (~24-25%), demonstrando que a memória óptica da rede permite que um único pixel codifique informações sobre todo o histórico da imagem.

Significância e Alegações
O artigo afirma que a rede MRR proposta fornece uma alternativa robusta, compacta (0,15 mm²) e energeticamente eficiente (poucos mW de potência de entrada) para a classificação de séries temporais em comparação com redes neurais digitais. Os autores enfatizam que a capacidade do sistema de realizar expansão de dimensionalidade através de portas físicas, comprimentos de onda e níveis de potência permite que uma simples leitura linear atinja alta precisão.

Crucialmente, o trabalho demonstra que a memória volátil e a não linearidade inerentes aos MRRs acoplados podem substituir funções de ativação não lineares e memória digital complexa em cenários específicos de computação de borda (edge computing). O resultado de "pixel único" destaca o potencial para inferência de ultra-baixa latência onde buffers de memória digital são indesejáveis ou indisponíveis. Os autores posicionam este trabalho não como um competidor das CNNs digitais de última geração para classificação bruta de imagens, mas como uma prova de conceito para computação de reservatório eficiente, baseado em hardware, que reduz o overhead computacional (parâmetros e operações não lineares) necessário para tarefas específicas.