Mehrstufiges Gedächtnis im optischen Reservoir Computing

Optische Datenverarbeitung hat viele Vorteile. Neben Verarbeitungsgeschwindigkeit, Parallelität und Energieeffizienz bietet sie mehrere Möglichkeiten für die Umsetzung neuer Berechnungsparadigmen. Eines davon ist das vom Gehirn inspirierte Reservoir Computing. Das Rückgrat dieser Berechnungsmethode ist ein wenig vernetztes rekurrentes neuronales Netz, das Reservoir, das (sequenzielle) Eingaben in einem hochdimensionalen Zustandsraum abbildet und dann Daten zur Vorhersage von z.B Zeitreihen ausgibt. Im Gegensatz zu anderen Methoden des maschinellen Lernens muss nur die Ausgabeschicht trainiert werden. Wir präsentieren die optische Umsetzung eines Reservoir Computing Modells. Dabei wollen wir die Abhängigkeit der Vorhersageleistung von der Datenanordnung auf unserem Eingabegerät (SLM) untersuchen. Indem wir unsere Eingabe und den rekurrenten vorherigen Zeitschritt nebeneinander laden und parallel durch das optische System verarbeiten, schaffen wir ein Kurzzeitgedächtnis mittels eines rekursiven Bildes. Dieser Effekt sorgt für eine mehrstufige Darstellung vorheriger Zeitschritte und eignet sich für die Vorhersage chaotischer Zeitserien, die im Rahmen dieser Arbeit diskutiert wird. 34 en und KI T istof Pruß