SPIE tərəfindən

Gaby Clark tərəfindən redaktə edilmiş , Robert Eqan tərəfindən nəzərdən keçirilmişdir

 Redaktorların qeydləriFotonik neyroşəbəkələrə yeni yanaşma, birləşmə mərhələsində adaptiv foton inyeksiyasını özündə birləşdirir. Kredit: L. Monbroussou et al., doi 10.1117/1.AP.7.6.066012

Maşın öyrənmə modelləri, təsvirin tanınması və dil tərcüməsi kimi konvolyusiya neyron şəbəkələri (CNN) güc texnologiyaları adlanır. Kvant konvolyusiya neyron şəbəkəsi (QCNN) kimi tanınan kvant analoqu klassik bitlər əvəzinə kvant vəziyyətlərindən istifadə etməklə məlumatı daha effektiv emal edə bilər.

Fotonlar sürətli, sabit və çiplərdə manipulyasiya etmək asandır, fotonik sistemləri QCNN-lər üçün perspektivli platforma edir. Bununla belə, fotonik sxemlər adətən xətti davranaraq neyron şəbəkələrinin ehtiyac duyduğu çevik əməliyyatları məhdudlaşdırır.

Fotonik QCNN-lərdə adaptiv vəziyyət inyeksiyası

Advanced Photonics -də nəşr olunan bir araşdırmada tədqiqatçılar, mövcud texnologiyalarla uyğunluğu itirmədən fotonik sxemləri daha uyğunlaşdırmaq üçün bir üsul təqdim etdilər. Onların yanaşması, emal zamanı alınan ölçmə əsasında dövrənin davranışını tənzimləməyə imkan verən adaptiv vəziyyət inyeksiyası adlanan idarə olunan bir addım əlavə edir. Bu əlavə nəzarət fotonik QCNN-ləri praktik istifadəyə yaxınlaşdırır.

Komanda kvant-nöqtə mənbəyindən olan tək fotonlardan və iki inteqrasiya olunmuş kvant fotonik prosessorundan istifadə edərək modul QCNN qurdu. Klassik CNN kimi, şəbəkə məlumatları mərhələlərlə emal edir. Birinci mərhələdən sonra işıq siqnalının bir hissəsi ölçülür.

Nəticədən asılı olaraq, sistem ya yeni bir fotonu yeridir, ya da mövcud işığı irəli göndərir, hesablamanı yumşaq bir şəkildə idarə edir. Bugünkü fotonik aparat məlumatı itirmədən real vaxtda işığı dəyişə bilmədiyi üçün tədqiqatçılar laboratoriyada eyni effekti yaradan idarə olunan texnikadan istifadə edərək bu addımı təqlid etdilər.

Eksperimental nəticələr və gələcək perspektivlər

Dizaynı yoxlamaq üçün onlar sadə 4 × 4 şəkilləri kodladılar – üfüqi və ya şaquli çubuqların nümunələri. Hər mərhələdə ölçmələr nəzəri proqnozlara uyğun gəlirdi. Tam eksperimental quraşdırmada QCNN ədədi simulyasiyalara uyğun olaraq 92%-dən yuxarı təsnifat dəqiqliyinə nail oldu. Bu, adaptiv yanaşmanın potensialını nümayiş etdirir.

Tədqiqatçılar həmçinin sürətli keçidli gələcək fotonik cihazların bəzi klassik metodlardan üstün olan daha böyük, daha güclü QCNN-ləri işə sala biləcəyini qeyd edərək, genişlənmə qabiliyyətini araşdırdılar.

Böyük müəllif Fabio Sciarrino deyir: “Bu iş həm nəzəri çərçivəni, həm də fotonik QCNN-in konsepsiyasının sübutunu təmin edir”. “Biz bu nəticələrin yeni kvant maşın öyrənmə metodlarının inkişafı üçün başlanğıc nöqtəsi olacağını gözləyirik.”

Mövcud texnologiya ilə işləyən sadə uyğunlaşma addımı əlavə etməklə, tədqiqat daha bacarıqlı fotonik kvant prosessorlarına doğru real yolu göstərir.

Daha çox məlumat: Léo Monbroussou və digərləri, Adaptiv vəziyyət inyeksiyası ilə fotonik kvant konvolyusiya neyron şəbəkələri, Advanced Photonics (2025). DOI: 10.1117/1.ap.7.6.066012

Jurnal məlumatı: Advanced Photonics 

SPIE tərəfindən təmin edilmişdir