对偶自适应训练算法论文支撑数据

本数据集面向光子神经网络与光计算研究、对偶自适应训练算法验证需求建设，支撑《Dual adaptive training of photonic neural networks》（Nat Mach Intell, 2023）核心结论，用于解决光子神经网络因制造误差、环境扰动导致的系统误差累积与部署性能骤降难题。数据源于高性能 GPU 服务器数值仿真与光电联合物理实验，基于 PyTorch、neurophoxTorch 光学仿真框架及可调谐激光器、空间光调制器、近红外 CCD 等硬件产生，覆盖 MNIST、Fashion‑MNIST 图像分类任务观测值。
数据集含开源算法数据与论文核心数据两部分：前者含完整源代码、原始数据集、仿真日志、MZI 误差模型及复数运算扩展库；后者为论文 Fig.2–4 及 Extended Data Fig.5–9 的图表支撑数据，量化不同误差强度、网络架构、训练策略下的分类精度、收敛曲线、误差拟合效果与系统稳定性。数据体量以实验批次与误差配置组织，含多轮随机迭代结果，可直接复现论文关键曲线与结论，完全开放共享，为光子计算系统误差矫正、鲁棒训练与物理部署提供权威基准与可复现依据。