RESEARCH ARTICLE
Temperature stabilization with Hebbian learning using an autonomous optoelectronic dendritic unit 
Silvia Ortín, Moritz Pflüger, Apostolos Argyris
2025, 18(2): 7.https://doi.org/10.1007/s12200-025-00151-9
Abstract：The integration of machine learning with photonic and optoelectronic components is progressing rapidly, offering the potential for high-speed bio-inspired computing platforms. In this work, we employ an experimental fiber-based dendritic structure with adaptive plasticity for a learning-and-control virtual task. Specifically, we develop a closed-loop controller embedded in a single-mode fiber optical dendritic unit (ODU) that incorporates Hebbian learning principles, and we test it in a hypothetical temperature stabilization task. Our optoelectronic system operates at 1 GHz signaling and sampling rates and applies plasticity rules through the direct modulation of semiconductor optical amplifiers. Although the input correlation (ICO) learning rule we consider here is computed digitally from the experimental output of the optoelectronic system, this output is fed back into the plastic properties of the ODU physical substrate, enabling autonomous learning. In this specific configuration, we utilize only three plastic dendritic optical branches with exclusively positive weighting. We demonstrate that, despite variations in the physical system’s parameters, the application of the ICO learning rule effectively mitigates temperature disturbances, ensuring robust performance. These results encourage an all-hardware solution, where optimizing feedback loop speed and embedding the ICO rule will enable continuous stabilization, finalizing a real-time platform operating at up to 1 GHz.
研究背景：随着机器学习与光子学和光电子学组件的整合不断进步，为高速仿生智能计算平台提供了可能。本研究提出了一种基于光纤的具有自适应可塑性的树突结构，并应用于学习和控制虚拟任务。研究团队开发了一个嵌入单模光纤光树突单元（ODU）中的闭环控制器，该控制器结合了赫布学习（Hebbian learning）原则，并在一个假设的温控任务中进行了测试。该光电子系统以1 GHz的信号和采样率运行，可塑性规则的应用通过直接调制半导体光放大器（SOA）实现。
主要内容：研究展示了如何利用光电子系统实现温控任务。该系统通过赫布学习规则（特别是输入相关学习，ICO）适应快速温度扰动，提供动态控制的自组织机制。实验中仅使用了三个具有正权重的可塑树突光学分支，通过ICO学习规则有效地减轻了温度干扰，确保了系统的鲁棒性。
创新点：本研究首次将赫布学习规则应用于光电子系统，以实现温控任务。通过直接调制SOA引入可塑性规则，增强了系统对快速温度变化的适应性和响应能力。此外，该系统仅使用三个可塑树突分支，展示了其在硬件复杂度和性能之间的平衡。
方法：研究团队构建了一个基于单模光纤的光树突单元（ODU），通过ICO学习规则实现闭环控制。实验中，通过任意波形发生器（AWG）和半导体光放大器（SOA）实现信号的电光调制，并通过光滤波器和光耦合器实现信号的处理和叠加。系统通过实时示波器监测输出信号，并通过计算机反馈调整权重，实现自主学习。
结果：
ICO学习规则：ICO学习规则通过输入信号的相关性调整权重，实现对环境变化的快速适应。该规则仅依赖于输入信号之间的相关性，无需系统输出反馈，从而减少了延迟。
温控任务：在温度控制任务中，系统通过ICO学习规则预测并响应外部热脉冲，减少温度偏差。实验结果表明，系统在经过几次学习周期后，能够显著减少温度扰动的影响，并将温度稳定在目标值附近。
实验验证：通过数值模拟和物理实验验证了系统的性能。实验中，系统在1000次迭代后成功实现了温度稳定，温度波动范围为42.4~44.6°C。实验结果与数值模拟结果基本一致。
结论：该研究展示了光电子树突单元（ODU）结合赫布学习在动态环境中实现温控的潜力。与传统PID控制器相比，该系统能够自主适应温度扰动，提供更稳定的温度调节。未来的研究将集中在优化学习反馈环的速度，并将ICO规则集成到硬件中，以实现高达1 GHz带宽的实时平台。这将为需要超快速响应的温度调节应用提供一种全新的解决方案。
转载本文请联系原作者获取授权，同时请注明本文来自马明敏科学网博客。
链接地址：https://wap.sciencenet.cn/blog-586493-1494540.html?mobile=1
收藏
