使用多延迟耦合DFB激光器进行光混沌信号分离的光子水库计算的实验验证与性能分析

光子共振计算中提出基于多延迟耦合半导体激光器的架构，解决延迟与采样周期关系问题，实现三路光学混沌信号分离，理论均方误差达0.052，实验值0.084，记忆容量提升至23.4。

　　

摘要：

本文探讨了先前光子存储计算（PRC）研究中一个常见的框架问题：存储激光器的自反馈延迟（τ_s）与目标采样周期（T）之间的关系通常被视为一项选择——具体来说，配置形式如 τ_s = T 或 τ_s = T + θ（其中 θ 表示虚拟节点时间间隔）。这种配置可能导致开环任务（例如信号分离）的性能不佳，因为存在延迟时钟时间共振效应。在本文中，我们提出了一种基于多延迟耦合短腔分布式反馈半导体激光器（SC-DFB-SL）的新型PRC架构，该架构利用环形耦合网络通过两个SC-DFB-SL的自反馈和相互耦合腔体形成三个并行存储单元。这种架构专为分离三个线性混合的光学混沌信号而设计，为解释性能指标提供了清晰的背景。所提出系统的理论模型基于Lang-Kobayashi方程，并通过定制的多延迟耦合PRC实验装置进行了验证。关键研究结果表明，该架构消除了对传统 τ_s = T 配置的需求：最佳信号分离性能由 T 和 SC-DFB-SL的耦合系数 k 共同决定，而 τ_s 被视为一个可独立调节的参数。对于目标光学混沌信号分离任务，理论上的归一化均方误差（NMSE）可低至0.052，而实验上的NMSE为0.084。该系统的存储容量高达23.4，显著优于单延迟PRC架构（如基于单个DFB-SL或垂直腔面发射激光器VCSEL的架构，后者的存储容量通常低于15）。这项研究阐明了当前关于PRC中延迟时钟时间关系的认知现状，并提供了一种可调的框架...

显示更多

引言

存储计算（RC）是一种受生物神经网络启发的机器学习范式[1]，[2]，[3]，已成为光计算领域的主要方法之一。其优势——快速训练、低硬件实现复杂度以及高效利用动态系统信息处理——与非线性光学系统的固有特性高度契合，推动了其在光子计算研究中的广泛应用[4]，[5]，[6]，[7]，[8]。与传统循环神经网络不同，RC通过仅优化输出层权重来简化训练过程，有效缓解了梯度消失等问题。这一独特特性使其特别适合光子硬件实现，因为在多层中执行复杂的权重优化在技术上具有挑战性。2011年，Appeltant等人首次提出了基于延迟的光子存储计算（PRC）[4]，使用具有时间延迟反馈的单个非线性节点构建了存储单元。该框架在时间域而不是空间域中对存储响应进行复用，显著降低了硬件复杂度，同时利用了非线性光学系统的高维动态特性（例如混沌、多周期振荡）。自那时起，基于延迟的PRC在多种任务中展现了良好的性能，包括非线性时间序列预测[5]，[6]、混沌同步分析[7]、光包头识别[8]和信号分类[9]。