Detailansicht
Feedback-driven photonic reservoir computing
Sina Thier
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Physics
Betreuer*in
Philip Walther
DOI
10.25365/thesis.81416
URN
urn:nbn:at:at-ubw:1-26695.45958.445885-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Herkömmliche Rechnerarchitekturen stehen aufgrund der physischen Trennung von Rechen- und Speichereinheiten vor erheblichen Herausforderungen hinsichtlich Energieeffizienz. Da moderne, komplexe Modelle des maschinellen Lernens einen immer höheren Energieverbrauch erfordern, bieten neuromorphe Ansätze, die die Struktur des Gehirns nachahmen, eine Alternative. In diesem Bereich bietet Reservoir Computing ein effizientes Framework für die Verarbeitung zeitlicher Daten, indem Eingaben über ein festes dynamisches System in einen hochdimensionalen Raum abgebildet werden. In dieser Arbeit untersuchen wir eine experimentelle Umsetzung von Reservoir Computing basierend auf photonischen Quantenmemristoren. Aufbauend auf früheren Designs führt unser Framework einen Injektions-Rückkopplungsmechanismus ein. Dabei werden gemessene Ausgangssiganle des Reservoirs wieder in den Apparat eingespeist, wodurch die Speicherkapazität und die Nichtlinearität des Systems erheblich verbessert werden. Um die Ausdruckskraft des Modells und die Dimension des Merkmalsraums weiter zu erhöhen, setzen wir Spatial Multiplexing ein, wobei mehrere unabhängige Memristor-Einheiten parallel betrieben werden. Wir bewerten die Leistung anhand mehrerer Benchmark-Aufgaben, darunter die Kurzzeitgedächtnis- und die NARMA-Aufgabe. Darüber hinaus präsentieren wir wir numerische Simulationen zur autonomen Vorhersage eines chaotischen Lorenz-Systems. Die Ergebnisse zeigen, dass der Rückkopplungsmechanismus es dem System ermöglicht, frühere Modelle zu übertreffen, indem es über längere zeitliche Verzögerungen hinweg eine hohe Genauigkeit beibehält.
Abstract
(Englisch)
Conventional computing architectures face significant challenges in energy efficiency due to the physical separation of processing and memory units. As modern large-scale machine learning models demand increasingly high energy consumption, neuromorphic approaches that emulate the brain’s structure offer a compelling alternative. Within this domain, reservoir computing provides a potentially efficient framework for processing temporal data by mapping inputs into a high-dimensional space through a fixed dynamical system. In this thesis, we explore an experimental implementation of reservoir computing based on photonic quantum memristors. Building on previous designs, our framework introduces an injection feedback mechanism. This amounts to injecting measured reservoir outputs back into the device, significantly enhancing the system’s memory capacity and nonlinearity. To further increase the model’s expressivity and the dimension of the feature space, we employ spatial multiplexing, utilizing multiple independent memristor units operating in parallel. We evaluate the performance across several benchmark tasks, including the short-term memory and the nonlinear auto-regressive moving average task. Furthermore, we present numerical simulations for the autonomous forecasting of a chaotic Lorenz system. Results demonstrate that the injection mechanism enables the system to outperform previous models by maintaining high accuracy over longer temporal delays.
Schlagwörter
Schlagwörter
(Deutsch)
Photonischer Quantenmemristor Reservoir Computing
Schlagwörter
(Englisch)
photonic quantum memristor reservoir computing
Autor*innen
Sina Thier
Haupttitel (Englisch)
Feedback-driven photonic reservoir computing
Publikationsjahr
2026
Umfangsangabe
vii, 43 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Philip Walther
Klassifikation
33 Physik > 33.38 Quantenoptik. nichtlineare Optik
AC Nummer
AC17914365
Utheses ID
81294
Studienkennzahl
UA | 066 | 876 | |