Computers zijn vandaag de dag alomtegenwoordig. Terwijl de vraag naar meer rekenkracht gestaag stijgt, lijkt de werkelijke toename in rekenkracht te verzwakken. Daarom is het de moeite waard onderzoek te doen naar nieuwe manieren van rekenen. Photonic reservoir computing is een van deze kandidaat-technologieën voor hoogperformante, energie-efficiënte manieren van rekenen.
Photonic reservoir computing laat als opkomende technologie veelbelovende resultaten zien. Helaas wordt het geplaagd door een reeks problemen die het ervan weerhouden om op te schalen naar grotere en meer gecompliceerde taken met behoud van zijn gunstige eigenschappen op het gebied van laag vermogen/hoge bandbreedte.
Er moeten alternatieve methoden worden gevonden om geïntegreerde optische readouts te trainen. Hoewel een efficiënt getrainde optische readout een belangrijke stap zou zijn, blijven er uitdagingen bestaan die verhinderen dat photonic reservoir computing op grote schaal kan worden gebruikt. Fysieke verliezen en ontwerpcriteria vormen een extra beperking bij het vergroten van de reservoirs op de chip.
In dit proefschrift stellen we een aanpak voor om volledig optische geïntegreerde photonic reservoirs te trainen. Verder stellen we verbindingsschema's voor om photonic reservoirs te combineren tot één enkele, krachtigere computer en evalueren we die. Tot slot introduceren we een trainingsmethodologie voor een bredere klasse van netwerken van aaneengesloten physical reservoirs.
| |