فایل ورد کامل توسعه دادن یک پلتفرم سخت افزاری فوتونی برای محاسبه کردن شبه(الهام گرفته از ) مغز آن هم بر اساس آرایه های ۵×۵ VCSEL

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل توسعه دادن یک پلتفرم سخت افزاری فوتونی برای محاسبه کردن شبه(الهام گرفته از ) مغز آن هم بر اساس آرایه های ۵×۵ VCSEL،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

محاسبه کردن شبه مغزی مفهومی شبیه به شبکه های عصبی مصنوعی دارند که تبدیل به نویدی با پیشنهاد های متناوب برای معماری رایانه فون نویمان شده . شبکه های عصبی فوتونی , تحقق (رویای)واقعی سازی نورون ها ارتباطات شبکه و یادگیری فوتونیک در بستر فوتونیک را هدف قرار می دهد . اینجا ما توسعه یک پلتفرم سخت افزاری نانوفوتونیک سریع را گزارش می کنیم و انرژی موثر نورون های فوتونی را از طریق آرایه هایی از رویه کاواک به صورت عمودی با کیفیت بالا(VCSELs) که در حال انتشار دادن لیزر است را گزارش می نماییم . آرایه های ۵×۵ VCSEL توسعه یافته, تزریق بصری قفلی بالایی ر ا با کارایی خوب از طریق سازه ترکیب شده همگن (با مغز) با کنترل شخصی طول موج لیزر تدارک می بیند. القا قفلی (تصویر ) کار سختی برای پردازش قابل اطمینان اطلاعات در VCSEL برپایه نورون های فوتونی دار است , و ما ثابت می کنیم , آرایه های VCSEL مناسب به وسیله ی اندازگیری های تزریق قفلی تصویر و طیف القا شده اخیر خوب تنظیم می شود. ما در میابیم که با وارسی کردن های ما آرایه می تواند به سهولت با طیف همگن مورد نیاز وفق یافته , و همچنین نشان می دهیم که آرایه های VCSEL بر اساس تکنولوژی ما می تواند همانند انرژی کافی بالا و نورون های فوتونی فوق سریع برای ایجاد شبکه های عصبی فوتونی بعدی فعالیت کنند. شبکه های فوتونی موازی که به صورت کامل ترکیب شده اندبه عنوان زیر لایه نوید عملکرد فوق سریع رسیدن به ۱۰S از پهنای باندگیگا هرتز را می دهد, و ما نشان می دهیم که یک تغییر شکل غیر خطی بر اساس لیزر های ما در حدود ۱۰۰fj در هر VCSEL مصرف می کند , که در مقایسه با دیگر پلتفرم ها به شدت رقابتی است.

عنوان انگلیسی:

Developing of a photonic hardware platform for brain-inspired computing based on 5 × ۵ VCSEL arrays

~~en~~ writers :

T: Heuser,1 M: Pfl¨uger,2 I: Fischer,2 J: A: Lott,1 D: B,3 and S: Reitzenstein1, a)

Brain-inspired computing concepts like artificial neural networks have become promising
alternatives to classical von Neumann computer architectures. Photonic neural networks
target the realizations of neurons, network connections and potentially learning in photonic
substrates. Here, we report the development of a nanophotonic hardware platform of fast and
energy-efficient photonic neurons via arrays of high-quality vertical cavity surface emitting
lasers (VCSELs). The developed 5 × ۵ VCSEL arrays provide high optical injection locking
efficiency through homogeneous fabrication combined with individual control over the laser
wavelengths. Injection locking is crucial for the reliable processing of information in VCSELbased photonic neurons, and we demonstrate the suitability of the VCSEL arrays by injection
locking measurements and current-induced spectral fine-tuning. We find that our investigated
array can readily be tuned to the required spectral homogeneity, and as such show that
VCSEL arrays based on our technology can act as highly energy efficient and ultra-fast
photonic neurons for next generation photonic neural networks. Combined with fully parallel
photonic networks our substrates are promising for ultra-fast operation reaching 10s of GHz
bandwidths, and we show that a nonlinear transformation based on our lasers will consume
only about 100 fJ per VCSEL, which is highly competitive, compared to other platforms.

$$en!!