Photonic Extreme Learning Machines using Event-Based detection

技术摘要：基于事件检测的光子极限学习机

问题陈述
光子极限学习机（Photonic Extreme Learning Machines, PELMs）通过利用随机光传播、检测非线性以及经过训练的线性读取层，绕过了隐藏层训练，为高能效、可扩展的光计算提供了一条路径。然而，传统的 PELM 实现依赖于使用 CCD 或 CMOS 相机的强度检测。这种方法限制了隐藏表示空间的维度，特别是当输入特征空间处于低维时。在这种情况下，PELM 的内在泛化能力往往受限于平方律检测的特性，并且需要额外的正则化来过滤噪声，这实际上降低了隐藏层输出矩阵的可利用秩。因此，需要一种能够提供更丰富、更高维隐藏表示，且不受标准强度检测饱和响应约束的替代读取机制。

方法论
本研究提出并实验验证了一种基于事件的光子极限学习机（EV-PELM）架构。该系统使用异步事件相机（动态视觉传感器，DVS）取代了传统的强度检测。

• 光学设置： 输入特征通过数字微镜器件（DMD）编码到光束的振幅轮廓上。光束通过多模光纤传播，光纤作为复杂介质通过产生散斑来实现随机线性权重和偏置。
• 事件检测： 事件相机不测量绝对强度，而是检测对数强度的变化。当像素点的对数强度变化超过可调阈值 $C$ 时，就会记录一个事件。像素级对数强度模型为 $L(X) = \log(|\bar{w} \cdot E^{(in)}(X) + b|^2 + B)$。
• 隐藏表示： 原始事件流（像素地址、时间戳、极性）被转换为三种不同的像素级隐藏表示 ($\phi$)：
  1. 首次事件时间： 每个像素点首次发生事件的时间戳。
  2. 二值激活： 表示在采集窗口期间像素是否触发的二值指示器。
  3. 事件计数： 每个像素记录的总事件数。
• 读取： 使用岭回归（ridge regression）或摩尔-彭罗斯伪逆（Moore-Penrose pseudo-inverse）对这些表示应用经过训练的线性读取层。通过扫描正则化参数 $\lambda$ 并观察有效维度（$d_{eff}$）对隐藏层输出矩阵奇异值的依赖关系，对系统的有效维度进行分析。

核心贡献

• 新型检测范式： 本文引入了使用事件相机生成独特的、基于阈值的对数强度响应，将其作为 PELM 的非线性激活函数，从而超越了标准的平方律强度检测。
• 实验验证： 作者在两个具有挑战性的非线性任务上实验验证了 EV-PELM：双螺旋分布分类和目标 sinc 函数回归。
• 维度分析： 研究通过正则化依赖性和有效维度指标，将 EV-PELM 的性能与隐藏层输出矩阵的可利用秩的增加联系起来。
• 噪声与稳定性评估： 本研究评估了系统对系统性光学强度漂移的敏感性，以及在重复噪声测量下的泛化能力。

结果

• 分类性能： 在非线性双螺旋分类任务中，EV-PELM 实现了 93 ± 3% 的准确率。结果表明其具有强大的内在泛化能力。
• 维度与正则化： 研究发现岭回归和伪逆读取的性能相当，这表明系统运行在样本受限的有效维度机制下。通过扫描正则化参数 $\lambda$，证实了事件驱动方法可以探测隐藏表示的可利用维度。
• 回归与稳定性： 回归结果揭示了系统对系统性光学强度漂移的敏感性。这一发现强调了未来事件驱动型 PELM 对稳定性（特别是光学源和检测阈值的一致性）的具体要求。
• 泛化： 系统在重复噪声测量下保持了性能，尽管其具体的鲁棒性限制与事件检测的性质相关（例如，高频率下的漏检或噪声触发的事件）。

意义与主张
本文声称建立了事件检测作为实现更丰富的光子隐藏表示用于神经形态计算的有效途径。通过利用事件相机原生的基于阈值的对数强度变化，EV-PELM 克服了传统基于强度的读取器所固有的维度约束。

然而，作者对该技术的现状保持了审慎的态度。他们明确指出，虽然该方法提供了更高性能机器的潜力，但目前仍面临系统性光学强度漂移以及事件传感器非理想特性（如电荷积累和噪声）的限制。这项工作既旨在展示 EV-PELM 的潜力，也旨在为开发光学计算架构定义具体的稳定性要求。