针对目前小样本学习方法易过拟合、跨域泛化能力不足等问题，受启发于储备池计算不依赖于训练而缓解过拟合的特性，提出了一种基于储备池计算的小样本学习方法（Reservoir Computing based Network for Few-shot Image Classification，RCFIC）。整个方法由特征提取模块、特征增强模块和分类器模块构成。特征增强模块由储备池模块和基于储备池的注意力机制构成，分别对特征提取网络的特征进行通道级增强和像素级增强，同时联合余弦分类器促使网络学习具有高类间方差、低类内方差特性的特征分布。实验结果表明，本文算法在Cifar-FS、FC100、Mini-ImageNet等数据集上的分类精度至少比现有方法高1.07%，在从Mini-ImageNet到CUB-200的跨域场景设置下的分类精度优于次优方法1.77%。同时，消融实验验证了RCFIC的有效性。所提方法泛化性强，能够有效缓解小样本图像分类中的过拟合问题并在一定程度上解决跨域问题。

为了适应滤波、波分复用等不同的应用场景，光子滤波器需要具备可调谐以及滤波形状可变的功能。提出一种集成光子储备池结构的新型可调谐光滤波器。该结构由输入层、储层、读出层三部分组成，输入层由2×1多模干涉仪组成，储层由定向耦合器以及波导组成，按螺旋拓扑规律相互连接组成梅花型网格，匹配粒子群寻优算法进行全光域训练，利用读出层的热光调制器和相移器对光信号的幅度和相位进行调整，实现无限冲激响应型与有限冲激响应型可调谐光滤波器。以无限冲激响应型光滤波器仿真结果为例，分析其自由光谱范围与储层中波导长度的关系，以及定向耦合器分光比对透射端透过率的影响。通过设置储层中波导的相位在0~3/2π范围内变化，实现了光滤波器中心波长在一个自由光谱范围（1.18 nm）内的连续可调。该滤波器采用集成光子储备池与粒子群算法结合方案设计，无需考虑储层光网络传输路径的权重配置，仅对读出层权重进行训练，大大简化了网络训练过程。同时，该滤波器具有尺寸小、功耗低、灵活性高、算法可控滤波参数的优势，广泛应用于集成微波光子学和光通信领域中。

Understanding light–matter interaction lies at the core of our ability to harness physical effects and to translate them into new capabilities realized in modern integrated photonics platforms. Here, we present the design and characterization of optofluidic components in an integrated photonics platform and computationally predict a series of physical effects that rely on thermocapillary-driven interaction between waveguide modes and topography changes of optically thin liquid dielectric film. Our results indicate that this coupling introduces substantial self-induced phase change and transmittance change in a single channel waveguide, transmittance through the Bragg grating waveguide, and nonlocal interaction between adjacent waveguides. We then employ the self-induced effects together with the inherent built-in finite relaxation time of the liquid film, to demonstrate that the light-driven deformation can serve as a reservoir computer capable of performing digital and analog tasks, where the gas–liquid interface operates both as a nonlinear actuator and as an optical memory element.

利用一个带有光反馈和光注入的光泵浦自旋垂直腔表面发射激光器的两个混沌偏振分量形成两个并行储备池计算机。这些储备池用来学习另外一个光泵浦自旋垂直腔表面发射激光器（发射激光器）混沌动力学行为。训练基于自旋垂直腔表面发射激光器的储备池获得一个发射的偏振分量和它相应的训练储备池之间的高质量混沌同步。在这种高质量同步条件以及确保安全性前提下，实现了16QAM信息的双信道保密通信。此外，针对两个解密信息，进一步讨论在不同参数下它们的误码率。结果表明，不同参数改变下的误码率率均为0。研究结果表明，时延光学混沌储备池计算为光学混沌保密通信的实际应用提供了一种有效的方法。

结合时延储备池计算和垂直腔面发射激光器，基于现有的光纤光学平台，对以1 550 nm波段垂直腔面发射激光器为非线性节点的时延光储备池计算系统进行了实验研究。结果表明，在该实验系统中可以分别成功地实现单个Santa-Fe混沌时间序列预测任务以及单个非线性信道均衡任务。基于垂直腔面发射激光器在特定参数条件下能实现双模共存，进一步在该系统中垂直腔面发射激光器的两个偏振模式中同时注入外部信号，成功地完成了Santa-Fe混沌时间序列预测和非线性信道均衡任务的并行处理，但是整体性能要弱于单任务处理性能；除此之外，并行任务的性能随着外光注入强度的增加而得到改善，其中注入强度比率大的一方性能更好。