Рекуррентные нейронные сети (РНС) являются перспективной технологией для моделирования динамических систем, поскольку они позволяют обрабатывать серии событий во времени. Однако обучение таких моделей является нетривиальной задачей из-за их сложной структуры. Для уменьшения вычислительной сложности РНС на этапе обучения была предложена их разновидность — нейронная эхо-сеть, позволяющая эффективно предсказывать последовательность значений временного ряда. Сеть характеризуется одним скрытым слоем, который называется резервуаром, со случайными связями между нейронами. Обучению в таких моделях подлежит только выходной слой, поэтому они обладают низкой вычислительной сложностью, но требуют предварительной настройки и оптимизации параметров сети для каждой конкретной задачи.

В данной работе предложена оптическая реализация модели нейронной эхо-сети. Мы построили численную модель, используя оптический полупроводниковый усилитель в качестве резервуара. Эта модель представляет из себя систему обыкновенных дифференциальных уравнений, описывающих изменение оптического поля в полупроводниковом усилителе. В качестве начального поля рассмотрена последовательность гауссовских импульсов, с помощью которой кодируются входные данные. Затем решается задача Коши на равномерной сетке, и полученное решение используется для алгоритмов машинного обучения и предсказания временных рядов. На заключительном этапе мы исследуем эффективность построенной модели в задачах прогнозирования временных рядов Маккея-Гласса (Mackey-Glass)

Семинар будет проведен в смешанном формате. Очное заседание пройдет в  конференц-зале ФИЦ ИВТ (к.513), дистанционно к семинару можно будет подключиться по ссылке https://vcs-6.ict.nsc.ru/b/grz-ayy-7ne

Для студентов и аспирантов, находящихся в Новосибирске и не имеющих причин для дистанционного подключения, очное присутствие обязательно.

Запись семинара (доклад с 11-й минуты): https://vcs-6.ict.nsc.ru/playback/presentation/2.3/caeaa151fe7743faa3d160ccb904deddc5b7d1cb-1682394543919