In dit proefschrift combineren we willekeurige en niet-lineaire fysieke systemen te combineren die slechts marginale afstembaarheid en observeerbaarheid vereisen, met eenvoudige en computationeel goedkope machine learning-technieken op basis van lineaire bewerkingen, zoals lineaire regressors of classificaties. Een dergelijke benadering wordt gewoonlijk benoemd als een hardwareversie van reservoircomputing (voor dynamische hardware met feedbacklussen) of extreme leermachinemethoden. Deze technieken hebben recentelijk de modernste prestaties geleverd in verschillende soorten toepassingen en ze vereisen een veel eenvoudigere en snellere training in vergelijking met hun conventionele tegenhangers in machine learning of deep learning. De rol van het willekeurige niet-lineaire fysieke systeem is om de invoer over te brengen in een rijkere, hogere dimensionaliteitsrepresentatie, om de rekenkracht van het daaropvolgende lineaire machine learning-model aanzienlijk te vergroten.
We passen deze aanpak toe door gebruik te maken van de extreme verwerkingssnelheid van willekeurige fotonische systemen om microscopisch kleine objecten, zoals biologische cellen of microdeeltjes, te classificeren terwijl ze in een microfluïdisch kanaal stromen. Dat wil zeggen, we streven ernaar om machine learning-bewerkingen in labelvrije microflowcytometrie te vereenvoudigen en te versnellen. De computationele kosten van traditionele algoritmen fungeren inderdaad vaak als een bottleneck in dit type applicatie, waardoor de doorvoer van online operaties, zoals celsortering, aanzienlijk wordt beperkt. | |