Tytuł: All-Optical Data Processing with Photon Avalanching Nanocrystalline Photonic Synapse

Autorzy: A Bednarkiewicz, M Szalkowski, M Majak, Z Korczak, M Misiak, S Maćkowski

Czasopismo: Advanced Materials

DOI: 10.1002/adma.202304390

Szymczak TOC

W ostatnich latach potrzeby obliczeniowe zaczęły przekraczać możliwości nowoczesnej architektury von Neumanna - w rezultacie badane są alternatywne podejścia do nowych sposobów przeprowadzania obliczeń. Jednym z ciekawszych podejść jest przetwarzanie danych wykorzystując obliczenia rezerwuarowe, które emuluje niektóre funkcje neuronów i synaps, takie jak operacje równoległe, asocjatywność, dodatnia ‘facylitacja’ impulsów (ang.paired-pulsed facilitation - PPF) i zachowanie ”all-or-nothing”. Cechy te mają obiecujący potencjał w zakresie bardziej wydajnych obliczeń, analizy danych i predycji trendów.

W artykule All-Optical Data Processing with Photon Avalanching Nanocrystalline Photonic Synapse przedstawiono nowy materiał oparty na zjawisku lawinowej emisji fotonów, z potencjałem do wykorzystania w obliczeniach rezerwuarowych. Wykorzystane w tej pracy nanocząstki 8% Tm3+ działają jak synapsy optyczne (OS). OS naśladuje zasadę działania synaps biologicznych, ponieważ ich odpowiedź optyczna zmienia się w zależności od modulacji przestrzenno-czasowych sygnałów wzbudzenia optycznego. Synapsa optyczna wykazuje pamięć krótkotrwałą i znacznie zwiększony indeks PPF sparowanych impulsów w porównaniu z innymi wcześniej opisanymi materiałami. Efekty te są potwierdzone zarówno analizą teoretyczną jak i wynikami eksperymentalnymi. Obserwowane zależności wynikają z długo-życiowych stanów energetycznych i wysoce nieliniowej luminescencji zależnej od mocy, charakterystycznej dla lawinujących lantanowców. Przykładowo, zachowanie pamięci krótkotrwałej synapsy optycznej przypomina zachowanie zwierzęcego Nucleus Magnocellularis (NM), wykazując zdolność do wykrywania koincydencji między dwoma przesuniętymi w fazie impulsami optycznymi. Dodatkowo, synapsa optyczna wykazuje zdolność ekstrakcji cech z zaszumionych obrazów cyfr. Ta ekstrakcja cech pozwoliła na kompresję matrycy 16x19 pikseli do dwuelementowego wektora. Wektory wyodrębnione z każdej cyfry zostały następnie wykorzystane jako dane wejściowe dla bardzo prostej, jednowarstwowej konwencjonalnej sieci neuronowej (NN). W oparciu o te skompresowane dane, sieć neuronowa osiągnęła 93% dokładność w klasyfikacji cyfr.