Page Content
There is no English translation for this web page.
Machine learning with nonlinear optical systems: Reservoir Computing
- © Copyright??
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.
"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). | |||
Ansprechpartner
- Prof. Dr. Kathy Lüdge (KL)
- Dr. Lina Jaurigue (LJ)
- Dr. André Röhm (AR)
- Felix Köster (FK)
- Jan Hausen (JH)
- Stefan Meinecke (SM)
Literatur zu den Vorträgen
| [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) | |
|
| [JAE01] |
H. Jaeger: The 'echo state' approach to analysing and training recurrent neural networks (2001) | |
|
| [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) | |
|
| [FER03] |
C. Fernando, S. Sojakka: Pattern Recognition in a Bucket in Advances in Artificial Life, ( 2003) | |
|
| [VAN11c] |
K. Vandoorne, J. Dambre, D. Verstraeten, B. Schrauwen, P. Bienstman: Parallel reservoir computing using optical amplifiers IEEE Trans. Neural Netw. 22, 1469 (2011) | |
|
| [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) | |
|
| [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) | |
|
| [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) | |
|
| [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) | |
|
| [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) | |
|
| [ARG18] |
A. Argyris, J. Bueno, I. Fischer: Photonic machine learning implementation for signal recovery in optical communications Sci. Rep. 8, 1 (2018) | |
|
| [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) | |
|
| [ROE18a] |
A. Röhm, K. Lüdge: Multiplexed networks: reservoir computing with virtual and real nodes J. Phys. Commun. 2, 085007 (2018) | |
|
| [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) | |
|
| [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) | |
|
| [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) | |
|
| [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
Quick Access:
Schnellnavigation zur Seite über Nummerneingabe
Auxiliary Functions
This site uses Matomo for anonymized webanalysis. Visit Data Privacy for more information and opt-out options.