Aplicações de Machine Learning na obtenção de portas lógicas totalmente ópticas com parâmetros do interferômetro de Mach-Zehnder.

Resumo

Neste projeto, objetivou-se a obtenção de portas lógicas totalmente ópticas obtidas a partir da análise das saídas de um Interferômetro de Mach-Zehnder Interferomenter (MZI ). A topologia do interferômetro foi organizada de tal sorte que o os deslocamentos de fase 1 e 2 percorressem o intervalo de [0,2 pi], enquanto os outros parâmetros são mantidos fixos. Em suma, a estratégia principal para a obtenção das portas lógicas é sintonizar os deslocamentos de fase de modo que as saídas possam seguir uma lógica binária de acordo com a função lógica pretendida. Tendo em vista a necessidade de uma base de dados contendo uma varredura completa dos deslocamentos de fases, foram empregadas técnicas de regressão em um banco de dados com o objetivo de reduzir a quantidade de dados para a estimativa das saídas do MZI. Dessa maneira, foram empregadas várias técnicas de Machine Learning com a utilização do MATLAB no que tange ao quesito regressão de dados. Dentre as técnicas que foram testadas destacam-se as quatro com melhores resultados: SVM (Support Vector Machine), GP(Gaussian Process), RF(Random Forest) e KNN(K-Nearest Neighbor). Todas as técnicas utilizadas foram testadas com a regulação dos hiperparâmetros de forma global, avaliando os resultados tendo como métrica de avaliação o R2 ajustado. O SVM, em consonância com GP, foram os regressores que obtiveram melhores resultados. Porém, o GP quando avaliado no que tange ao tempo de simulação apresentou várias anuâncias que impossibilitaram a utilização do mesmo em bases de dados maiores. Desse modo, SVM foi a técnica escolhida para regressão. Assim, a base de dados que inicialmente possuía 1600 amostras, com o emprego da regressão, foi reduzida para 500 amostras. Os hiperparâmetros encontrados na melhor configuração foram: Kernel RBF(Radial Basis Function), 500 amostras, 1000 repetições, constante de relaxamento igual a 100 e saída 2.