在这项工作中，我们提出了贝叶斯优化算法，用于调整大规模光子库计算机中的超参数。我们在以前报道的实验系统上测试了这种方法，应用于计算机视觉中的一项具有挑战性的任务，其中对来自标准图像识别数据库KTH和MNIST的视频片段的图像识别准确率分别为91.3%和99%，用于验证所开发的光子递归神经网络（RNN）的性能。我们还将其结果与非光子RNN计算（RC）界常用的光子RNN的网格搜索和贝叶斯优化进行了比较。我们报告了以下方面的改进：（1）分类性能，准确率提高了4%；（2）收敛到最佳超参数集的时间，大约减少了30%的时间（在准确率低于1.5%的情况下可以增加一倍）。考虑到我们的光子水库计算机的精度接近于这项任务的最先进结果，以及以天为单位的实验超参数优化时间，这些改进被证明是系统性能的宝贵提升。此外，用贝叶斯方法对超参数空间的广泛探索为其基本结构和参数的相对重要性提供了宝贵的见解。考虑到贝叶斯优化算法提供的所有优势，它可能很快成为光子库计算中超参数优化的新标准方法。

图2-基于光子学的系统说明，创建一个具有随机拓扑结构的光子学递归神经网络，用于自动分析视频记录中的人类行动。SLM：空间光调制器。Pol.：偏振器。改编自[Antonik2019]。