Optical next generation reservoir computing

Hao Wang

doi:10.1038/s41377-025-01927-6

Optical next generation reservoir computing

2025-07-21

0

OA

AI

DOI：10.1038/s41377-025-01927-6

原文链接

原文求助

摘要

En 中文

具有内部动力学的神经网络在信息处理方面表现出显著的能力。储层计算（RC）是一个典型的例子，其特点是丰富的计算表达能力以及与物理实现的兼容性，以提高效率。最近，一种被称为下一代储层计算（NGRC）的新型RC范式进一步提高了表达能力，但牺牲了其物理开放性，给物理系统的实现带来了挑战。在这里，我们展示了通过通过无序介质的光散射进行计算的光学NGRC。与传统的光学RC实现相比，我们直接且仅用时间延迟的输入驱动光学储层。与依赖延迟输入多项式特征的数字NGRC类似，我们的光学储层也为所需功能隐式生成这些多项式特征。通过利用储层输入的领域知识，我们表明，光学NGRC不仅能预测低维Lorenz63和大尺度Kuramoto-Sivashinsky混沌时间序列的短期动力学，还能复制它们的长期遍历特性。与基于散射介质的传统光学RC相比，光学NGRC在训练长度更短和超参数更少方面表现出优越性，同时实现了更好的预测性能。我们的光学NGRC框架可能启发NGRC在其他物理RC系统中的实现、超越时间序列处理的新应用，以及深度和并行架构的广泛发展。

Keyword:

Optical reservoir computing

Next generation reservoir computing

Chaotic time series

Light scattering

Polynomial features

Optical next generation reservoir computing

摘要

期刊

机构

引用论文