신경진화를 통한 광자 신경망의 효율적인 학습 및 설계

최근, 광학 신경망(Optical Neural Networks, ONNs)이 광자 칩에 통합되면서 높은 효율성과 낮은 전력 소비로 전자 플랫폼에서 동일한 패턴 인식 작업을 수행할 수 있을 것으로 기대되어 많은 주목을 받고 있습니다. 그러나 다양한 학습 알고리즘의 부족으로 인해 ONNs의 더 나아진 발전이 저해되고 있습니다. 본 논문에서는 ONNs를 설계하고 훈련하기 위한 새로운 학습 전략을 제안합니다. 이 전략은 신경 진화(Neuroevolution)를 기반으로 하며, 두 가지 대표적인 신경 진화 알고리즘이 ONNs의 초매개변수(Hyper-parameters)를 결정하고 연결부의 가중치(Phase Shifters)를 최적화하는 데 사용됩니다. 훈련 알고리즘의 효과성을 입증하기 위해, 훈련된 ONNs는 아이리스 식물 데이터셋, 와인 인식 데이터셋 및 변조 형식 인식 등의 분류 작업에 적용되었습니다. 계산 결과는 신경 진화 기반의 훈련 알고리즘이 정확성과 안정성 측면에서 다른 전통적인 학습 알고리즘들과 경쟁력을 갖음을 보여주었습니다. 이전 연구와 비교하여, 우리는 ONNs를 위한 효율적인 훈련 방법을 소개하였으며, 패턴 인식, 강화 학습 등에서 넓은 응용 가능성을 시연하였습니다.