Photonic Extreme Learning Machines using Event-Based detection

Resumo Técnico: Máquinas de Aprendizado Extremo Fotônicas utilizando Detecção Baseada em Eventos

Definição do Problema
As Máquinas de Aprendizado Extremo Fotônicas (PELMs) oferecem um caminho para a computação óptica energeticamente eficiente e escalável ao utilizar a propagação óptica aleatória, a não linearidade de detecção e uma leitura linear treinada para contornar o treinamento da camada oculta. No entanto, as implementações convencionais de PELM dependem da detecção de intensidade usando câmeras CCD ou CMOS. Essa abordagem restringe a dimensionalidade do espaço de representação oculta, particularmente quando o espaço de características de entrada é de baixa dimensionalidade. Nesses casos, as capacidades intrínsecas de generalização das PELMs são frequentemente limitadas pelas propriedades da detecção de lei quadrática e pela necessidade de regularizações adicionais para filtrar o ruído, o que efetivamente reduz o posto utilizável da matriz de saída da camada oculta. Há uma necessidade de mecanismos de leitura alternativos que possam fornecer representações ocultas mais ricas e de maior dimensionalidade, sem as restrições da resposta de saturação padrão baseada em intensidade.

Metodologia
Este trabalho propõe e valida experimentalmente uma arquitetura de Máquina de Aprendizado Extremo Fotônica baseada em eventos (EV-PELM). O sistema substitui a detecção de intensidade convencional por uma câmera baseada em eventos assíncronos (Sensor de Visão Dinâmica, DVS).

• Configuração Óptica: As características de entrada são codificadas no perfil de amplitude de um feixe óptico usando um Dispositivo Digital de Microespelhos (DMD). O feixe propaga-se através de uma fibra multimodo, que atua como um meio complexo para implementar pesos lineares aleatórios e viés via geração de speckle.
• Detecção Baseada em Eventos: Em vez de medir a intensidade absoluta, a câmera baseada em eventos detecta mudanças na log-intensidade. Um evento é registrado em um pixel quando a mudança na log-intensidade excede um limiar ajustável $C$. A log-intensidade por pixel é modelada como $L(X) = \log(|\bar{w} \cdot E^{(in)}(X) + b|^2 + B)$.
• Representações Ocultas: O fluxo de eventos bruto (endereços de pixels, carimbos de tempo, polaridades) é convertido em três representações distintas de pixel-por-pixel ($\phi$):
  1. Tempo do Primeiro Evento: O carimbo de tempo do primeiro evento em cada pixel.
  2. Ativação Binária: Um indicador binário de se um pixel disparou durante a janela de aquisição.
  3. Contagem de Eventos: O número total de eventos registrados por cada pixel.
• Leitura (Readout): Uma camada de leitura linear treinada é aplicada a essas representações usando regressão de Ridge ou a pseudo-inversa de Moore-Penrose. A dimensionalidade efetiva do sistema é analisada através do escaneamento do parâmetro de regularização $\lambda$ e da observação da dependência da dimensionalidade efetiva ($d_{eff}$) em relação aos valores singulares da matriz de saída da camada oculta.

Principais Contribuições

• Novo Paradigma de Detecção: O artigo introduz o uso de câmeras baseadas em eventos para gerar respostas de log-intensidade limiares distintas como funções de ativação não lineares para PELMs, indo além da detecção de intensidade de lei quadrática padrão.
• Validação Experimental: Os autores demonstram experimentalmente a EV-PELM em duas tarefas não lineares desafiadoras: a classificação de duas distribuições espirais e a regressão de uma função sinc alvo.
• Análise de Dimensionalidade: O estudo relaciona o desempenho da EV-PELM com o aumento do posto utilizável da matriz de saída da camada oculta, estimado através da dependência de regularização e métricas de dimensionalidade efetiva.
• Avaliação de Ruído e Estabilidade: O trabalho avalia a sensibilidade do sistema ao desvio sistemático da intensidade óptica e suas capacidades de generalização sob medições ruidosas repetidas.

Resultados

• Desempenho de Classificação: Na tarefa de classificação de duas espirais não lineares, a EV-PELM alcançou acurácias de 93 ± 3%. Os resultados demonstraram fortes capacidades intrínsecas de generalização.
• Dimensionalidade e Regularização: Descobriu-se que o desempenho das leituras de regressão de Ridge e da pseudo-inversa é comparável, indicando que o sistema opera em um regime de dimensionalidade efetiva limitada por amostra. O escaneamento do parâmetro de regularização $\lambda$ confirmou que a abordagem baseada em eventos permite sondar a dimensionalidade utilizável da representação oculta.
• Regressão e Estabilidade: Os resultados de regressão revelaram uma sensibilidade ao desvio sistemático da intensidade óptica. Essa descoberta destaca requisitos específicos de estabilidade para futuras EV-PELMs, particularmente no que diz respeito à consistência da fonte óptica e dos limiares de detecção.
• Generalização: O sistema manteve o desempenho sob medições ruidosas repetidas, embora os limites específicos de robustez estejam atrelados à natureza da detecção de eventos (por exemplo, eventos perdidos em altas taxas ou eventos disparados por ruído).

Significância e Alegações
O artigo afirma estabelecer a detecção baseada em eventos como uma rota viável para representações ocultas fotônicas mais ricas para computação neuromórfica. Ao aproveitar a variação nativa de log-intensidade limiar da câmera de eventos, a EV-PELM supera as restrições de dimensionalidade inerentes às leituras convencionais baseadas em intensidade.

No entanto, os autores mantêm um tom modesto em relação ao estado atual da tecnologia. Eles esclarecem que, embora a abordagem ofereça potencial para máquinas de maior desempenho, ela enfrenta atualmente limitações relacionadas ao desvio sistemático da intensidade óptica e às não idealidades dos sensores de eventos (como acúmulo de carga e ruído). O trabalho serve tanto para demonstrar o potencial das EV-PELMs quanto para definir os requisitos específicos de estabilidade necessários para seu desenvolvimento futuro em arquiteturas de computação óptica.