direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Machine learning with nonlinear optical systems: Reservoir Computing

Lupe

Prof. Dr. K. Lüdge

Zeit: Mittwoch 14:15
Raum: EW 733
Begin: 17.10.2018

Das Seminar gibt Einblicke in die aktuelle Forschung der Arbeitsgruppe
"Nichtlineare Laserdynamik“. Es ist für Studierende, die Interesse an einer
Master- oder Bachelorarbeit in diesem Themenbereich haben, besonders zu
empfehlen. Studierende, die einen Seminarschein erlangen wollen, sind bei
uns herzlich willkommen.


In diesem Semester steht „Reservoir Computing“ im Mittelpunkt. Reservoir
Computing ist ein relativ neuer Zweig des maschinellen Lernens. Die
Grundidee des Reservoir-Computings ist, dass prinzipiell jedes nichtlineare
System mit ausreichend hoher Dimension zur Informationsverarbeitung
verwendet werden kann. Im Gegensatz zum herkömmlichen maschinellen
Lernen wird die Topologie eines Netzwerks hier nicht trainiert, sondern nur
die linearen Ausgabegewichte. Eine Folge davon ist, dass die
Hardwareimplementierung praktikabler ist. Von besonderem Interesse ist
die Implementierung von Reservoir-Computing in nichtlinearen optischen
Systemen, von denen einige Beispiele in diesem Seminar behandelt werden.

Der Besuch der Veranstaltung (mit Vortrag und Ausarbeitung) entspricht 5 ECTS Punkten.

Noch offene Themen können unten eingesehen werden. Wer Interesse hat kann bis zum 17.04 eine E-Mail an den/die Verantwortlichen schicken.

Zeitlicher Ablauf

Datum
Titel
Vortragender
Betreuer
10.04.

Vorbesprechung und Einführung
K. Lüdge
17.04.

Liquid state machine – a phenomenological
introduction to reservoir computing [MAA02]
David Hering
24.04.

Dispersive effects in semiconductor microcavities/
Lightbullets in passively modelocked lasers: Dynamics and instabilities
Julien Javaloyes, Svetlana Gurevich
08.05.

Echo-state network – a mathematical
introduction to reservoir computing [JAE01]
Mirko Goldmann
AR
15.05.

Novel realizations of reservoir computing
[DOC09, FER03]
Olivia Röhrig
LJ
22.05.

Reservoir computing with silicon photonics
[VAN11c, VAN14]
Jonas Baumgärtel
SM
29.05.

Delay based reservoir computing [APP11,LAR12]
Tobias Hülser
FK
05.06.
Semiconductor laser with optical feedback
[BRU13a, BUE17]
Lina Jaurigue
12.06
Signal recovery using delay based photonic
reservoir computing [ARG18]
Philipp Weiß
JH
19.06
Speech recognition using delay based reservoir
computing [LAR17]
Mario Tessmann
SM

26.06
Multiplexed networks [ROE18a]
Lasse Ermoneit
FK
03.07

Reinforcement learning in a photonic network
Jan Hausen
JH
10.07
Influence of the mask [APP14, NAK16, KUR18]
LJ
Die öffentliche Einteilung der Themen findet am 10. April 2019 statt. Vortragsthemen können auch schon vor Beginn der Veranstaltung vergeben werden (bitte dafür an einen Ansprechpartner wenden).

Literatur zu den Vorträgen

DOI [MAA02] W. Maass, T. Natschläger, H. Markram:
Real-time computing without stable states: A new framework for neural computation based on perturbations
Neural Comp. 14, 2531 (2002)
DOI [JAE01] H. Jaeger:
The 'echo state' approach to analysing and training recurrent neural networks
(2001)
DOI [DOC09] K. Dockendorf, I. Park, P. He, J. C. Principe, T. B. DeMarse:
Liquid state machines and cultured cortical networks: The separation property
Biosystems 95, (2009)
DOI [FER03] C. Fernando, S. Sojakka:
Pattern Recognition in a Bucket
in Advances in Artificial Life, ( 2003)
DOI [VAN11c] K. Vandoorne, J. Dambre, D. Verstraeten, B. Schrauwen, P. Bienstman:
Parallel reservoir computing using optical amplifiers
IEEE Trans. Neural Netw. 22, 1469 (2011)
DOI [VAN14] K. Vandoorne, P. Mechet, T. Van Vaerenbergh, M. Fiers, G. Morthier, D. Verstraeten, B. Schrauwen, J. Dambre, P. Bienstman:
Experimental demonstration of reservoir computing on a silicon photonics chip
Nat. Commun. 5, 3541 (2014)
DOI [APP11] L. Appeltant, M. C. Soriano, G. Van der Sande, J. Danckaert, S. Massar, J. Dambre, B. Schrauwen, C. R. Mirasso, I. Fischer:
Information processing using a single dynamical node as complex system
Nat. Commun. 2, 468 (2011)
DOI [LAR12] L. Larger, M. C. Soriano, D. Brunner, L. Appeltant, J. M. Gutierrez, L. Pesquera, C. R. Mirasso, I. Fischer:
Photonic information processing beyond Turing: an optoelectronic implementation of reservoir computing
Opt. Express 20, 3241 (2012)
DOI [BRU13a] D. Brunner, M. C. Soriano, C. R. Mirasso, I. Fischer:
Parallel photonic information processing at gigabyte per second data rates using transient states
Nat. Commun. 4, 1364 (2013)
DOI [BUE17] J. Bueno, D. Brunner, M. C. Soriano, I. Fischer:
Conditions for reservoir computing performance using semiconductor lasers with delayed optical feedback
Opt. Express 25, 2401 (2017)
DOI [ARG18] A. Argyris, J. Bueno, I. Fischer:
Photonic machine learning implementation for signal recovery in optical communications
Sci. Rep. 8, 1 (2018)
DOI [LAR17] L. Larger, A. Bayl\'on-Fuentes, R. Martinenghi, V. S. Udaltsov, Y. K. Chembo, M. Jacquot:
High-Speed Photonic Reservoir Computing Using a Time-Delay-Based Architecture: Million Words per Second Classification
Phys. Rev. X 7, 011015 (2017)
DOI [ROE18a] A. Röhm, K. Lüdge:
Multiplexed networks: reservoir computing with virtual and real nodes
J. Phys. Commun. 2, 085007 (2018)
DOI [APP14] L. Appeltant, G. Van der Sande, J. Danckaert, I. Fischer:
Constructing optimized binary masks for reservoir computing with delay systems
Sci. Rep. 4, 3629 (2014)
DOI [NAK16] J. Nakayama, K. Kanno, A. Uchida:
Laser dynamical reservoir computing with consistency: an approach of a chaos mask signal
Opt. Express 24, 8679 (2016)
DOI [KUR18] Yoma Kuriki, J. Nakayama, K. Takano, A. Uchida:
Impact of input mask signals on delay-based photonic reservoir computing with semiconductor lasers
Opt. Express 26, 5777 (2018)
DOI [BUE18a] J. Bueno, S. Maktoobi, L. Froehly, I. Fischer, M. Jacquot, L. Larger, D. Brunner:
Reinforcement learning in a large-scale photonic recurrent neural network
Optica 5, 756 (2018)

Zusatzinformationen / Extras

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe