[论文解读] Microring resonators with external optical feedback for time delay reservoir computing

Donati, Giovanni, Mirasso, Claudio R.+3 more|arXiv (Cornell University)|Sep 23, 2021

Neural Networks and Reservoir Computing被引用 61

一句话总结

本文提出一种带有外部光反馈的无源硅微环谐振器（MRR），作为紧凑、低功耗的时间延迟储备池计算节点。通过利用MRR的自由载流子非线性与时间延迟反馈共同构建虚拟节点，该系统在内存密集型任务（如Narma-10和混沌时间序列预测，包括Mackey-Glass与Santa Fe）中表现出高性能，当仅靠MRR非线性不足以满足需求时，外部反馈显著提升了性能。

ABSTRACT

Microring resonators (MRRs) are a key photonic component in integrated devices, due to their small size, low insertion losses, and passive operation. While the MRRs have been established for optical filtering in wavelength-multiplexed systems, the nonlinear properties that they can exhibit give rise to new perspectives on their use. For instance, they have been recently considered for introducing optical nonlinearity in photonic reservoir computing systems. In this work, we present a detailed numerical investigation of a silicon MRR operation, in the presence of external optical feedback, in a time delay reservoir computing scheme. We demonstrate the versatility of this compact, passive device, by exploiting different operating regimes and solving computing tasks with diverse memory requirements. We show that when large memory is required, as it occurs in the Narma 10 task, the MRR nonlinearity does not play a significant role when the photodetection nonlinearity is involved, while the contribution of the external feedback is significant. On the contrary, for computing tasks such as the Mackey-Glass and the Santa Fe chaotic timeseries prediction, the MRR and the photodetection nonlinearities contribute both to efficient computation. The presence of optical feedback improves the prediction of the Mackey-Glass timeseries while it plays a minor role in the Santa Fe timeseries case.

研究动机与目标

• 探索无源硅微环谐振器（MRR）结合外部光反馈在时间延迟储备池计算（RC）中的计算潜力。
• 评估MRR的本征非线性（自由载流子色散、双光子吸收）与外部反馈如何共同影响系统记忆能力与计算性能。
• 在不同工作状态下，针对具有不同记忆需求的标准任务（Narma-10、Mackey-Glass、Santa Fe混沌时间序列）对系统进行基准测试。
• 确定MRR非线性与外部反馈在满足多样化记忆与非线性需求任务中的相对作用。

提出的方法

• 使用耦合模理论建模MRR动力学，建立描述光场演化、自由载流子密度与温度变化的微分方程组。
• 通过双光子吸收（TPA）与自由载流子色散（FCD）引入非线性效应，以调制MRR的谐振频率与传播损耗。
• 通过可调延迟（𝜏𝐹）、强度（𝜂𝐹）与相位（𝜙𝐹）实现外部光反馈，以创建时间复用的虚拟节点并扩展系统记忆。
• 在读出阶段仅使用光电检测非线性进行信号变换，而储备池动力学则由MRR与反馈的非线性驱动。
• 在受控输入信号下对基准任务进行系统仿真，通过均方误差（MSE）与记忆容量指标评估性能。
• 调节反馈延迟、耦合系数（𝑘2）与MRR品质因数（𝑄）等关键参数，以探索不同动力学状态并优化性能。

实验结果

研究问题

• RQ1 外部光反馈如何增强无源硅MRR在时间延迟储备池计算中的记忆能力与计算容量？
• RQ2 在不同记忆需求的任务中，MRR非线性（通过自由载流子效应）与光电检测非线性各自贡献如何？
• RQ3 在哪些计算状态下MRR的本征非线性已足够，而何时外部反馈对实现高性能至关重要？
• RQ4 热时间常数（𝜏𝑇𝐻 ≈ 83.3 ns）与自由载流子时间常数（𝜏𝐹𝐶 ≈ 3.3 ns）如何影响系统在混沌时间序列预测任务中的性能？
• RQ5 在需要长记忆的任务（如Narma-10）中，带反馈的MRR是否能超越独立MRR的性能？

主要发现

• 在Narma-10任务中，该系统因强外部反馈而实现极低预测误差（MSE ≈ 1.2×10⁻⁴），MRR非线性仅起次要作用。
• 在Mackey-Glass预测任务中，MRR非线性与外部反馈均发挥关键作用，当两者同时激活时误差最低（MSE ≈ 2.1×10⁻⁵）。
• 在Santa Fe混沌时间序列任务中，MRR的本征非线性已足够提供记忆与动态特性，系统无需依赖外部反馈即可实现良好性能（MSE ≈ 1.8×10⁻⁴）。
• 外部反馈可将系统有效记忆扩展至超越MRR本征时间常数的范围，通过时间复用实现虚拟节点的构建。
• 系统性能对反馈相位（Δ𝜙𝐹）高度敏感，需通过PID控制器在实验中稳定相位以防止漂移。
• 将反馈延迟（𝜏𝐹）从5 ns调节至100 ns，可控制虚拟节点数量，从而在处理速度与记忆容量之间实现权衡。