مد‌سازی عملکرد دروازه منطقی or انحصاری سه ورودی به کمک شبکه عصبی

دروازه‌های منطقی تمام نوری اصلی‌ترین واحد در سیستم‌های پردازشی تمام نوری هستند. ارائه یک روش سریع و کارآمد برای مطالعه رفتار دروازه‌های منطقی تمام نوری با اهمیت بوده و همواره مورد توجه محققان قرار داشته است. در این مقاله از شبکه‌های عصبی رگرسیون کلی (grnn) و پیش‌بینی خطی (lin) برای مدلسازی خروجی دروازه منطقی تمام نوری xor سه ورودی استفاده شده است. نتایج بدست آمده نشان می‌دهند هر دو روش به خوبی می‌توانند رفتار قطعه را مدل‌سازی کنند اما مدت زمان آموزش شبکه عصبی در روش پیش‌بینی خطی با ساختار بهینه حدود 93 ثانیه است که بسیار بیشتر از روش grnn با مدت زمان آموزش 8 ثانیه می‌باشد. هر دو شبکه پس از آموزش می‌توانند خروجی دروازه مورد نظر را در مدت زمانی کمتر از 1 ثانیه پیش‌بینی نمایند. این زمان در مقایسه با زمان مورد نیاز برای محاسبه خروجی دروازه منطقی xor که برابر با 12 ثانیه می‌باشد کاهش چشمگیری را در مدل‌سازی این افزاره نشان می‌دهد. در روش grnn به ازای مقدار گستردگی 001/. بهترین پاسخ با مقادیر خطاهای mae, rse, mse به ترتیب7-^10×1.97، 6-^10×5.95 و 4-^10×1.6 به دست آمده است. در روش پیش‌بینی خطی با مقدار آموزش اولیه 200 داده کمترین مقادیر خطاهای mae, rse, mse به ترتیب 22-^10×1.11 ، 16-^10×2.14 و 11-^10×2.11 و بهترین خروجی برای مدل‌سازی حاصل شده است. مقدار ضریب همبستگی(r2) بین مقادیر مدل‌سازی شده و مقادیر مطلوب خروجی دروازه منطقی مذکور برای هر دو روش شبکه عصبی برابر با یک می‌باشد که نشان دهنده پیش بینی بسیار خوب در این روش است.

modelling of all-optical 3-inputs xor logical gates using artificial neural networks

all-optical logic gates are the most important unit for achieving all-optical processing systems. developing a fast and efficient method for studying the behavior of all-optical logic gates is very important and has been considered by researchers. in this paper, general regression neural networks and linear method are used to predict a three-input all-optical xor logic gate output. the simulation results show that both methods can precisely model the behavior of the device. the training time of the neural network in the linear method with the optimal structure is about 93 seconds, which is much longer than the grnn method with a training time of 8 seconds. both models predict the output in less than 1 second which show a great improvement over the conventional method with 12 seconds. in the grnn method with the smoothing factor of 0.001, the best results were obtained with mse, rse and mae error values of 1.97×10-7, 5.95×10-6, and 1.6×10-4, respectively. in the linear method with 200 initial training data, the minimum values of mse, rse, and mae are 1.11×10-22, 2.14×10-16 and 2.11×10-11, respectively, and the best modeled output is achieved. the value of correlation coefficient (r2) between the modeled output and the desired output of the logic gate is one for both neural network methods, which indicates a very good prediction for this method.