We experimentally compare simple physics-based vs. data-driven neural-network-based models for offline training of programmable photonic chips using Mach-Zehnder interferometer meshes. The neural-network model outperforms physics-based models for a chip with thermal crosstalk, yielding increased testing accuracy.
翻译：我们试验性地比较了利用马赫-泽恩干涉仪贝壳对可编程摄影芯片进行离线培训的简单物理模型和数据驱动神经网络模型。神经网络模型优于以物理模型为制成的热对讲芯片模型,提高了测试的准确性。
相关内容
ACM/IEEE第23届模型驱动工程语言和系统国际会议，是模型驱动软件和系统工程的首要会议系列，由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来，模型涵盖了建模的各个方面，从语言和方法到工具和应用程序。模特的参加者来自不同的背景，包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛，参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会，并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。
官网链接：http://www.modelsconference.org/
专知会员服务
78+阅读 · 2020年5月11日
相关VIP内容
专知会员服务
78+阅读 · 2020年5月11日
相关资讯
相关论文
微信扫码咨询专知VIP会员