Es werden adaptive optoelektronische Netzwerke entwickelt, die lineare photonische Crossbar-Arrays in Kombination mit nichtlinearen Dopant Network Processing Units (DNPUs) für maschinelles Lernen in Materie verwenden. Die DNPUs werden als multiterminale nichtlineare Aktivierungen agieren, die individuell trainierbar sind und so die Implementierung neuartiger materialbasierter Lernalgorithmen in Hardware ermöglichen. Wir werden unsere geplante Architektur auch im umgekehrten Modus betreiben und dabei DNPUs als nichtlineare Eingangsmodule für photonische Crossbar-Arrays verwenden. Basierend auf solchen hybriden optoelektronischen Netzwerken werden wir nanoskalige Materiesysteme mit optischer und elektrischer Rückkopplung schaffen, die Lernfähigkeit ermöglichen.
| Pernice, Wolfram | Center for Soft Nanoscience (SoN) (SoN) |
| Pernice, Wolfram | Center for Soft Nanoscience (SoN) (SoN) |