A magnonic-optoelectronic reservoir for physical reservoir computing
本文提出了一种基于磁子-光电振荡器的物理储备池计算系统，该系统利用光纤延迟线实现短期记忆，并利用钇铁石榴石自旋波非线性实现高维映射，通过实验验证和数值模拟，在基准任务上展示了有效的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在构建更像人类大脑的计算机这一探索过程中，科学家们长期以来一直关注着一个被称为“储备池计算”（reservoir computing）的概念。想象一个复杂的、旋转的系统，信息进入其中，四处碰撞，最后以被转换后的形式离开。在传统计算机中，计算的每一步都是被明确编程的。而在这种方法中，系统本身作为一个“黑箱”，自然地混合并记忆数据，仅需一个简单的最后步骤即可读取答案。这种方法因其速度和能效而备受推崇，为语音识别或图像模式识别等任务提供了潜在的捷径。挑战在于寻找一种物理机器，使其能够在不需要针对每个新问题进行重新训练的情况下完成这种混合与记忆工作。虽然一些研究人员尝试过利用光在光纤电缆中的反射或机械部件，但这些系统往往在速度或体积方面面临困难。
来自俄罗斯和澳大利亚的一个研究小组现在构建了一种结合了光与磁波的新型机器，以解决这一问题。他们创造了一个发挥物理储备池功能的装置，利用一个独特的环路，其中微波信号穿过一层特殊的磁性薄膜，然后通过一段长光纤。他们设计的关键在于两条路径之间的分工：光纤部分充当存储库，在光线沿其长度传播时短暂地保留信息；而磁性部分则是真正开展工作的地方。当信号通过一层名为钇铁石榴石（yttrium-iron garnet）的晶体薄膜时，它会遇到一种自然的复杂行为，即波与波之间以非线性方式相互作用。这种相互作用会使数据变得混乱，将其扩散到一个更高维的空间中，从而使其能够被一个简单的计算机读取输出并轻松分类和理解。
研究人员通过将激光器、一组可以改变光强度的调制器以及一个微波电路连接成一个连续的环，构建了这个装置。他们发现，当系统开启时，它会自然地开始振荡，产生稳定的微波信号。为了测试这台机器是否真的具备计算能力，他们通过轻微调节其中一个光调制器的电压，向其输入了一串随机的二进制数据（本质上是零和一的序列）。该装置不仅仅是传递数据，它还处理了数据。磁性薄膜的自然复杂性将新输入的数据与环路中已循环的信号混合在一起，创造出一种丰富且不断演化的输出模式。随后，团队测量了该装置记忆过去输入信息的能力以及区分不同模式的能力，这是此类计算的两个标准测试。
结果显示，该机器运行有效，其性能取决于数据脉冲的持续时间。当输入脉冲长度为二十微秒时，该装置达到了最佳记忆容量，成功地以略高于1的分数召回了过去的信息。当脉冲变长至五十微秒时，装置的记忆能力略有下降，但其区分不同模式的能力有所提高。研究人员还为他们的装置建立了一个详细的计算机模拟，模拟的数值与实际测量值几乎完美吻合。这种一致性证实了他们的数学模型能够准确描述光波与磁波在环路内部的行为。
这项工作表明，一种结合了利用光进行记忆和利用磁波进行复杂处理的混合系统，是实现物理储备池计算的一条可行路径。该装置成功证明了单个未经训练的物理系统可以通过依赖其内在动力学来处理多种任务。通过保持光学路径为用于纯记忆的线性路径，并将磁性路径保留给必要的复杂性，研究人员创造了一个稳定且高效的处理器。研究结果表明，此类设备未来可能成为快速、低功耗人工智能系统的硬件骨干，能够在无需传统训练方法的高昂能量成本的情况下处理实时数据。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。