光ニューラルネットワークの効率的な訓練と設計におけるニューロ進化

最近、光ニューラルネットワーク（ONNs）がフォトニクスチップに統合され、電子プラットフォームで同様のパターン認識タスクを高効率かつ低消費電力で実現する可能性から、広い注目を集めています。しかし、多様な学習アルゴリズムの不足により、ONNsのさらなる発展が阻まれています。本論文では、神経進化に基づく新しい学習戦略を提案し、ONNsの設計と学習に適用します。2つの典型的な神経進化アルゴリズムを使用して、ONNsのハイパーパラメータを決定し、接続部の重み（位相シフター）を最適化します。学習アルゴリズムの有効性を示すために、訓練されたONNsをアイリス植物データセット、ワイン認識データセットおよび変調形式認識の分類タスクに適用しました。計算結果は、神経進化に基づく学習アルゴリズムが精度と安定性において他の伝統的な学習アルゴリズムと競争力があることを示しています。これまでの研究と比較して、私たちはONNsに対する効率的な学習方法を導入し、パターン認識や強化学習などでの幅広い応用可能性を示しました。