通过神经进化高效训练和设计光子神经网络

近日，集成在光子芯片上的光学神经网络（ONNs）因其有望以高效率和低功耗实现电子平台上的相同模式识别任务而受到广泛关注。然而，目前缺乏各种学习算法来训练这些光学神经网络，阻碍了其进一步发展。本文提出了一种基于神经进化的新学习策略，用于设计和训练光学神经网络。我们采用了两种典型的神经进化算法来确定ONNs的超参数，并优化连接中的权重（即相位调制器）。为了验证这些训练算法的有效性，已训练的ONNs被应用于鸢尾花植物数据集、葡萄酒识别数据集以及调制格式识别的分类任务中。计算结果表明，基于神经进化的训练算法在准确性和稳定性方面与其他传统学习算法具有竞争力。与以往的研究相比，我们引入了一种高效的ONNs训练方法，并展示了其在模式识别、强化学习等领域的广阔应用前景。