摘要
在如今快速发展的信息时代，先进的计算技术已经成为经济发展和社会进步的催化剂。然而，随着计算数据量的激增和用户需求的不断升级，使用传统计算机处理信息逐渐显得力不从心。以仿生人类大脑工作方式为基础的人工神经网络（ArtificialNeuralNetwork，ANN）凭借其强大的计算性能和高效的信息处理速率逐渐成为人工智能技术的关键支柱之一。尽管如此，随着ANN面临的任务逐渐向多元化，复杂化发展，科学家们逐渐意识到基于传统冯·诺伊曼计算机结构的ANN计算效率捉襟见肘，人们迫切需要一种更高效，更易于集成的ANN系统。作为一种简化的递归神经网络（RecurrentNeuralNetwork，RNN）算法，储备池计算（ReservoirComputing，RC）凭借其简单的训练方式近年来引起学术界的广泛关注。其中，时延型储备池计算（Time-DelayReservoirComputing，TDRC）仅由单个非线性动态节点和延迟反馈环路组成，这种简化的结构在保留RNN计算性能和短期记忆能力的同时更易于集成和控制。特别的，得益于半导体激光器（SemiconductorLaser，SL）在外部光扰动下展现出丰富的非线性动力学状态以及响应速率快，能耗低，易集成等优势，逐渐成为构建TDRC非线性动态节点的理想器件之一。近年来，尽管利用新型SL或独特网络结构建立的TDRC系统不断被报道，但是目前仍存在一些问题。例如如何在现有的基础上改进储备池层结构以进一步提高TDRC的计算精度。同时，TDRC的应用场景也亟需扩展和深化。这些问题的解决对实现高精度光子神经形态计算具有重要意义。针对上述问题，本文提出并建立了三种基于SL的新型TDRC系统，通过数值仿真和实验验证的方式分别在提升系统计算性能，记忆能力和并行任务处理能力等方面展开研究。在此基础上，本文将TDRC系统的应用场景进一步拓展至混沌系统短期预测领域。本文的主要研究内容和结论如下： 1、提出并建立了基于参数失配互耦合SL的TDRC系统，并在此基础上研究了合理的参数失配设置提升TDRC系统预测性能的可能性。在数值仿真中，本文以Santa-Fe混沌时间序列预测任务为基准任务，讨论了互耦合SL间耦合强度，注入电流，耦合时间延迟以及激光器内部参数失配对TDRC预测性能的优化能力。数值仿真结果表明，选择合适的参数失配设置能够将TDRC的计算能力提升一个数量级以上。 2、提出了一种基于随机分布光反馈SL的TDRC系统并在此基础上深入的研究了随机分布光反馈结构对TDRC性能的优化能力。为了进行比较，本文同时考虑了基于传统单光反馈TDRC系统的性能。数值仿真结果表明，相比于单光反馈结构，随机分布光反馈的引入显著提升了TDRC系统处理混沌时间序列预测任务和非线性信道均衡任务的能力，这主要归因于随机分布光反馈为TDRC带来更丰富的非线性动力学响应和更好的记忆能力。本文在实验中初步验证了这一现象。进一步，基于垂直腔面发射激光器（Vertical-CavitySurface-EmittingLaser，VCSEL）独特的双偏振模式，本文研究了在平行偏振光反馈和正交偏振光反馈结构下的随机分布光反馈对基于VCSEL的TDRC系统执行并行任务处理的优化能力。数值仿真结果表明，随机分布光反馈能够显著提升平行偏振光反馈下TDRC的并行任务处理能力，但是对于正交偏振光反馈，TDRC的性能会大大降低。本章所提出的基于随机分布光反馈的TDRC系统为设计具有更高性能的光子神经网络提供了新路径。 3、提出了基于双光反馈非对称滤波结构的新型TDRC系统，并在此基础上通过数值仿真和实验研究了双光反馈非对称滤波结构对TDRC短期预测性能的优化能力。由于双光反馈非对称滤波结构的引入缓解了TDRC中预测步长增加引起的记忆能力陡降现象，本文将该系统进一步应用于混沌系统的短期预测中。数值仿真结果表明，双光反馈非对称滤波结构显著提升了TDRC执行混沌系统短期预测任务的能力。此外，TDRC的记忆能力同样得到了明显增强。本文进一步分析了TDRC关键参数对其预测能力的影响。最后，本文在实验中初步验证了这一结论。所提出的基于双光反馈非对称滤波的TDRC系统有助于推动光子神经形态计算向复杂系统预测领域发展。
NETL