CN109254350A - 平铺型光子神经网络卷积层芯片 - Google Patents
平铺型光子神经网络卷积层芯片 Download PDFInfo
- Publication number
- CN109254350A CN109254350A CN201811257377.XA CN201811257377A CN109254350A CN 109254350 A CN109254350 A CN 109254350A CN 201811257377 A CN201811257377 A CN 201811257377A CN 109254350 A CN109254350 A CN 109254350A
- Authority
- CN
- China
- Prior art keywords
- output end
- photon
- array
- level
- mzm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/10—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings of the optical waveguide type
- G02B6/12—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings of the optical waveguide type of the integrated circuit kind
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/10—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings of the optical waveguide type
- G02B6/12—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings of the optical waveguide type of the integrated circuit kind
- G02B6/12004—Combinations of two or more optical elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06E—OPTICAL COMPUTING DEVICES; COMPUTING DEVICES USING OTHER RADIATIONS WITH SIMILAR PROPERTIES
- G06E3/00—Devices not provided for in group G06E1/00, e.g. for processing analogue or hybrid data
- G06E3/001—Analogue devices in which mathematical operations are carried out with the aid of optical or electro-optical elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06E—OPTICAL COMPUTING DEVICES; COMPUTING DEVICES USING OTHER RADIATIONS WITH SIMILAR PROPERTIES
- G06E3/00—Devices not provided for in group G06E1/00, e.g. for processing analogue or hybrid data
- G06E3/001—Analogue devices in which mathematical operations are carried out with the aid of optical or electro-optical elements
- G06E3/005—Analogue devices in which mathematical operations are carried out with the aid of optical or electro-optical elements using electro-optical or opto-electronic means
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Nonlinear Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
一种平铺型光子神经网络卷积层芯片,该芯片通用于所有包含了卷积层的神经网络计算。将待运算的数据通过光幅度在光子集成器件中进行表示,并且通过光子集成器件的级联和组网,形成数据运算的功能,并将运算结果实时输出。利用光子集成器件的可调性,可以将任意的信号调制在光幅度上,实现了任意待卷积信号的卷积计算。由于光子信息处理的速度均是常数级(即光速),可以将传统计算机架构的卷积计算提升数个数量级。同时具有能耗比的优势。
Description
技术领域
本发明涉及智能光子信号处理技术和神经网络技术,特别是一种光子神经网 络卷积层芯片技术。
技术背景
神经网络是一种经典的机器学习算法,是由生物脑神经信息处理模式启发得 到的一种计算模型。它的提出为人类解决机器学习问题提供了一种更加强大更加 普适性的思路和方法。其中一个典型的应用便是深度学习(Y.LeCun,et al,“Deep learning,”Nature,vol.521,pp.436-444,2015)。利用多层神经网络,深度学习可以 实现海量复杂数据特征学习并能够提供超高准确率的智能预测结果。其应用领域 十分广泛。例如,在计算机图像领域,深度学习已经在图像识别与分类、图像超 分辨率、图像去噪及去文字等方向取得了突破性的成果;在自动驾驶领域,深度 学习为无人驾驶车辆提供了路面情况预判以及行人行为预判等方面的信息;在医 学诊断领域,深度学习提供了多种疾病的自动化诊断方式;在人类游戏方面,深 度学习已经在围棋、象棋、DOTA等方向战胜人类。虽然深度学习的应用面十分 广泛,但构建其所需要的神经网络是规定化和一般化的。
深度学习中应用最为广泛的神经网络一般包括了卷积层和全连接层。卷积层 通过不同的卷积窗口训练得到数据的不同特征,全连接层通过矩阵乘法运算将不 同的特征赋予不同的权重因子,最终实现数据的处理和判决。传统地深度学习都 利用计算机在中央处理器(以下简称CPU)或者图形处理器(以下简称GPU) 中编程实现,但由于深度学习的计算量需求极大,并且CPU或者GPU的设计均 是面向通用化应用的,无法做到对神经网络进行有效的专门化加速。于是很有必 要提出一种新型的针对于神经网络计算的处理芯片。在光子信息处理领域,2017 年,麻省理工学院提出了一种光子矩阵乘法运算芯片(Y.Shen,etal,“Deep learning with coherent nanophotonic circuits,”Nature Photonics,vol.11,pp.441-446, 2017),在极大的降低芯片能量需求的情况下使数据处理的速度提升到了光速, 为神经网络中的全连接层提供了一种专门化的加速途径。为解决神经网络中另一 大类的数据运算,可以利用光子信息处理技术,设计光子卷积运算芯片,将卷积 计算的运算速度提升至光速。这将为神经网络计算能力的发展提供变革型的助力, 也将有助于推动未来的智能化应用的加速到来。
发明内容
本发明的目的在于针对现有技术的不足,提出一种平铺型光子神经网络卷积 层芯片及其设计方法。该芯片通用于所有包含了卷积层的神经网络。将待运算的 数据通过光幅度在光子集成器件中进行表示,并且通过光子集成器件的级联和组 网,形成数据运算的功能,并将运算结果实时输出。利用光子集成器件的可调性, 可以将任意的信号调制在光幅度上,实现了任意待卷积信号的卷积计算。由于光 子信息处理的速度均是常数级(即光速),可以将传统计算机架构的卷积计算提 升数个数量级。同时具有能耗比的优势。
本发明的技术方案如下:
一种平铺型光子神经网络卷积层芯片,其特点在于包括激光源阵列、光放大 器阵列、光子卷积核阵列和光电探测器阵列,所述的激光源阵列共有M个输出 端,所述的光放大器阵列由M个输入端、M路光放大器和M个输出端构成,所 述的光子卷积核阵列包括M个同样架构的光子卷积核,所述的光电探测器阵列 包括M个光电探测器;
所述的激光源阵列的第m输出端与所述的光放大器阵列的第m输入端相连, 所述的光放大器阵列的第m输出端与所述的光子卷积核阵列的第m输入端相连, 第m光子卷积核的输出端与所述的光电探测器阵列的第m光电探测器的输出端 相连,所述的M为正整数;
第m光子卷积核包括第一级光分支器、第二级光分支器、第一级MZM、第 二级MZM、第一级光合路器和第二级光合路器,第一级光分支器的输入端接所 述的所述的光放大器阵列的第m输出端,将输入光分为L1分光、L2分光,L1 分光与所述的第二级光合路器的第一输入端相连,L2分光与所述的第二级光分 支器的输入端相连,该第二级光分支器的N个输出端分别与N个第一级MZM 的输入端相连,N个第一级MZM的输出端分别与所述的N个第二级MZM的输 入端相连,N个第二级MZM的输出端与所述的第一级光合路器的N个对应点输 入端相连,该第一级光合路器将N路光合成为一路调制光经输出端输出,所述 的第一级光合路器与所述的第二级光合路器的第二输入端相连,所述的第二级光 合路器将所述的调制光与参考光合成从输出端输出;该所述的第二级光合路器的 输出端即第m光子卷积核的输出端,所述的N个第一级MZM的调制端与所述 的待卷积的信号输入端相连,所述的N个第二级MZM的调制端与所述的卷积 窗信号输入端相连,所述的N为正整数。
所述的光分支器采用Y-分支器或多模干涉仪。
所述的MZM采用铌酸锂电光调制器、聚合物电光调制器或硅基集成电光调 制器。
所述的光合路器采用Y-合路器或多模干涉仪。
卷积计算本质上是待卷积信号与卷积窗参数之间的相乘相加运算,可以由如 下的表达式表示:
本发明提出的平铺型光子神经网络卷积层芯片可以完成上述的卷积即相乘 相加计算。所述的激光源阵列共有M个输出端,第m个输出端与所述的光放大 器阵列的第m个输入端相连。所述的光放大器阵列的第m个输出端与所述的光 子卷积和阵列的第m个输入端相连,为每一个光子卷积核提供强度足够的连续 光。在每一个光子卷积核中,包含两级光分支器,第一级光分支器将一部分光分 开(记为L1),用于后端的正负相位检测。第二级光分支器将剩余的部分光(记 为L2)分成幅度和相位均相同的N路光,随后每一路光都经过两级MZM得到 N路调制光。在第一级MZM中,N个待卷积的信号分别通过幅度调制加载至光 的幅度上;在第二级MZM中,N个卷积窗参数分别通过幅度调制加载至光的幅 度上,经过两级MZM,完成了对待卷积信号的相乘操作,在获得的N路调制光 的幅度中表示了这种相乘操作。第一级光合路器将N路光合为一路(记为L3), 实现了N路调制光的幅度相加操作。第二级光合路器将相位相同的L1和L3进 行幅度相加,完成L3的正负相位的检测。光子卷积核阵列的M个输出端与光电 探测器阵列的M个输入端相连,将计算得到的光信号转换为电信号用于后续的 存储和操作。
所述的光分支器可以采用但不限于Y-分支器、多模干涉仪,材料可以采用 但不限于SOI、铌酸锂。
所述的MZM可以采用但不限于铌酸锂电光调制器、聚合物电光调制器、硅 基集成电光调制器。
所述的光合路器可以采用但不限于Y-合路器、多模干涉仪,其材料可以采 用但不限于SOI、铌酸锂。
基于以上技术特点,本发明具有以下优点:
1、利用光子集成器件实现卷积运算,卷积操作的运算时间变为常数级。将 运算速度较传统的运算单元提升了数个数量级。
2、在信号的计算过程中,由于MZM的电容特性,在架构完成的光子卷积 核中将不消耗能量,激光器以及光放大器所带来的能量消耗与电子器件相比更小, 因此该芯片相对于电子芯片具有更高的能耗比。
本发明对于提升神经网络以及深度学习的运算速度,发展人工智能向更宽广 的领域应用具有极其重要的作用。
附图说明
图1为本发明平铺型光子神经网络卷积层芯片的一个实施例图。
图2为本发明平铺型光子神经网络卷积层芯片中的光子卷积核阵列的组成 示意图。其中(a)为光子卷积核阵列中的卷积核排列示意图,(b)为单个光子卷积 核的组成示意图。
图3为利用本发明装置对MNIST数据集的卷积结果图。其中(a)是本发明装 置对MNIST数据集的卷积结果;作为比较,(b)是64位计算机编程得到的MNIST 数据集的卷积结果图。
图4为理想情况下本发明装置的运算速度与集成规模的关系图。利用现有计 算架构的典型值作为比较。
具体实施方式
下面结合附图和实施例对本发明的技术方案作详细说明,给出了详细的实施 方式和过程,但本发明的保护范围不限于下述的实施例。
请参阅图1,图1为本发明平铺型光子神经网络卷积层芯片的一个实施例图。 由图可见,本发明平铺型光子神经网络卷积层芯片,包括激光源阵列1、光放大 器阵列2、光子卷积核阵列3和光电探测器阵列4,所述的激光源阵列1共有M 个输出端,所述的光放大器阵列2由M个输入端、M路光放大器和M个输出端 构成,所述的光子卷积核阵列3包括M个同样架构的光子卷积核,所述的光电 探测器阵列4包括M个光电探测器;
所述的激光源阵列1的第m输出端与所述的光放大器阵列2的第m输入端 相连,所述的光放大器阵列2的第m输出端与所述的光子卷积核阵列3的第m 输入端相连,第m光子卷积核的输出端与所述的光电探测器阵列4的第m光电 探测器的输出端相连,所述的M为正整数;
第m光子卷积核包括第一级光分支器3.1、第二级光分支器3.2、第一级 MZM3.3、第二级MZM3.4、第一级光合路器3.5和第二级光合路器3.6,第一级 光分支器3.1的输入端接所述的所述的光放大器阵列2的第m输出端,将输入光 分为L1分光、L2分光,L1分光与所述的第二级光合路器3.6的第一输入端相连, L2分光与所述的第二级光分支器3.2的输入端相连,该第二级光分支器3.2的N 个输出端分别与N个第一级MZM3.3的输入端相连,N个第一级MZM3.3的输 出端分别与所述的N个第二级MZM3.4的输入端相连,N个第二级MZM3.4的 输出端与所述的第一级光合路器3.5的N个对应点输入端相连,该第一级光合路 器3.5将N路光合成为一路调制光经输出端输出,所述的第一级光合路器3.5与 所述的第二级光合路器3.6的第二输入端相连,所述的第二级光合路器3.6将所 述的调制光与参考光合成从输出端输出;该所述的第二级光合路器3.6的输出端 即第m光子卷积核的输出端,所述的N个第一级MZM3.3的调制端与所述的待 卷积的信号输入端相连,所述的N个第二级MZM3.4的调制端与所述的卷积窗 信号输入端相连,所述的N为正整数。
所述的光分支器采用Y-分支器或多模干涉仪。
所述的MZM采用铌酸锂电光调制器、聚合物电光调制器或硅基集成电光调 制器。
所述的光合路器采用Y-合路器或多模干涉仪。
在图1所示的实施例中,所述的激光源阵列1共有6个输出端,第m个输 出端与所述的光放大器阵列2的第m个输入端相连。所述的光放大器阵列2的 第m个输出端与所述的光子卷积核阵列3的第m个输入端相连,为每一个光子 卷积核提供强度足够的连续光。在每一个光子卷积核中,包含两级光分支器,第 一级光分支器3.1将一部分光分开(记为L1),用于后端的正负相位检测。第二 级光分支器3.2将剩余的部分光(记为L2)分成幅度和相位均相同的9路光, 随后每一路光都经过两级MZM得到9路调制光。在第一级MZM 3.3中,9个待 卷积的信号分别通过幅度调制加载至光的幅度上;在第二级MZM 3.4中,9个 卷积窗参数分别通过幅度调制加载至光的幅度上,经过两级MZM,完成了对待 卷积信号的相乘操作,在获得的9路调制光的幅度中表示了这种相乘操作。第一 级光合路器3.5将9路光合为一路(记为L3),实现了9路调制光的幅度相加操 作。第二级光合路器3.6将相位相同的L1和L3进行幅度相加,完成L3的正负 相位的检测。光子卷积核阵列的6个输出端与光电探测器阵列的6个输入端依次 相连,将计算得到的光信号转换为电信号用于后续的存储和操作。
上述过程中,通过改变输入的待卷积信号5便可以改变输出结果,若待卷积 信号遍历了整个待卷积的图像、语音等信号,那么即可在输出端得到该图像语音 等信号在预设的卷积窗下的卷积结果。其效果可以参见图3,图3为本发明平铺 型光子神经网络卷积层芯片对于MNIST数据集中的图片进行卷积的结果,作为 比较,同时给出了在64位计算机中编程得到的卷积结果。一张手写数字“7”的 图片经过16个卷积窗得到了16张卷积结果。可以看见,由本发明装置得到的卷 积结果和计算机中计算得到的精确结果误差很小。本发明平铺型光子神经网络卷 积层芯片的计算速率较现有的电子计算芯片也有着明显的优势,其效果可见图4。 在理论上,随着本发明平铺型光子神经网络卷积层芯片的集成规模的提升,其计 算速率将远远超过现有的电子计算芯片。
Claims (4)
1.一种平铺型光子神经网络卷积层芯片,其特征在于包括激光源阵列(1)、光放大器阵列(2)、光子卷积核阵列(3)和光电探测器阵列(4),所述的激光源阵列(1)共有M个输出端,所述的光放大器阵列(2)由M个输入端、M路光放大器和M个输出端构成,所述的光子卷积核阵列(3)包括M个同样架构的光子卷积核,所述的光电探测器阵列(4)包括M个光电探测器;
所述的激光源阵列(1)的第m输出端与所述的光放大器阵列(2)的第m输入端相连,所述的光放大器阵列(2)的第m输出端与所述的光子卷积核阵列(3)的第m输入端相连,第m光子卷积核的输出端与所述的光电探测器阵列(4)的第m光电探测器的输出端相连,所述的M为正整数;
第m光子卷积核包括第一级光分支器(3.1)、第二级光分支器(3.2)、第一级MZM(3.3)、第二级MZM(3.4)、第一级光合路器(3.5)和第二级光合路器(3.6),第一级光分支器(3.1)的输入端接所述的所述的光放大器阵列(2)的第m输出端,将输入光分为L1分光、L2分光,L1分光与所述的第二级光合路器(3.6)的第一输入端相连,L2分光与所述的第二级光分支器(3.2)的输入端相连,该第二级光分支器(3.2)的N个输出端分别与N个第一级MZM(3.3)的输入端相连,N个第一级MZM(3.3)的输出端分别与所述的N个第二级MZM(3.4)的输入端相连,N个第二级MZM(3.4)的输出端与所述的第一级光合路器(3.5)的N个对应点输入端相连,该第一级光合路器(3.5)将N路光合成为一路调制光经输出端输出,所述的第一级光合路器(3.5)与所述的第二级光合路器(3.6)的第二输入端相连,所述的第二级光合路器(3.6)将所述的调制光与参考光合成从输出端输出;该所述的第二级光合路器(3.6)的输出端即第m光子卷积核的输出端,所述的N个第一级MZM(3.3)的调制端与所述的待卷积的信号输入端相连,所述的N个第二级MZM(3.4)的调制端与所述的卷积窗信号输入端相连,所述的N为正整数。
2.根据权利要求1所述的平铺型光子神经网络卷积层芯片,其特征在于,所述的光分支器采用Y-分支器或多模干涉仪。
3.根据权利要求1所述的平铺型光子神经网络卷积层芯片,其特征在于,所述的MZM采用铌酸锂电光调制器、聚合物电光调制器或硅基集成电光调制器。
4.根据权利要求1至3任一项所述的平铺型光子神经网络卷积层芯片,其特征在于,所述的光合路器采用Y-合路器或多模干涉仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257377.XA CN109254350B (zh) | 2018-10-26 | 2018-10-26 | 平铺型光子神经网络卷积层芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257377.XA CN109254350B (zh) | 2018-10-26 | 2018-10-26 | 平铺型光子神经网络卷积层芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109254350A true CN109254350A (zh) | 2019-01-22 |
CN109254350B CN109254350B (zh) | 2019-09-20 |
Family
ID=65045811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811257377.XA Active CN109254350B (zh) | 2018-10-26 | 2018-10-26 | 平铺型光子神经网络卷积层芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109254350B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240400A (zh) * | 2020-01-20 | 2020-06-05 | 光子算数(北京)科技有限责任公司 | 光除法模块、光子神经网络芯片、芯片系统及光除法器 |
CN111340680A (zh) * | 2020-03-20 | 2020-06-26 | 光子算数(北京)科技有限责任公司 | 一种卷积计算方法及卷积运算电路 |
CN111949067A (zh) * | 2019-05-14 | 2020-11-17 | 中国科学院上海光学精密机械研究所 | 达曼卷积光计算机 |
CN112232504A (zh) * | 2020-09-11 | 2021-01-15 | 联合微电子中心有限责任公司 | 一种光子神经网络 |
WO2021013221A1 (zh) * | 2019-07-24 | 2021-01-28 | 华为技术有限公司 | 光计算芯片、系统及数据处理技术 |
CN113641210A (zh) * | 2021-10-12 | 2021-11-12 | 清华大学 | 用于消息散列算法中消息压缩的光电集成电路 |
CN114626011A (zh) * | 2022-05-12 | 2022-06-14 | 飞诺门阵(北京)科技有限公司 | 光子计算神经网络运算加速方法、装置、设备及存储介质 |
CN115472603A (zh) * | 2022-08-30 | 2022-12-13 | 浙江大学 | 实现卷积神经网络的单片光子集成芯片 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728740A (zh) * | 2012-10-11 | 2014-04-16 | 北京大学 | 一种马赫-曾德尔电光外调制器的偏置控制方法及系统 |
US20150323781A1 (en) * | 2014-05-06 | 2015-11-12 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and method for producing optical sinc-shaped pulses |
CN107077107A (zh) * | 2014-06-05 | 2017-08-18 | 泰克年研究发展基金会公司 | 大规模光子集成电路的多自由度稳定性 |
US20170351293A1 (en) * | 2016-06-02 | 2017-12-07 | Jacques Johannes Carolan | Apparatus and Methods for Optical Neural Network |
US20180081388A1 (en) * | 2016-09-22 | 2018-03-22 | Hewlett Packard Enterprise Development Lp | Concurrently performing attribute-dependent operations on signals |
CN108375861A (zh) * | 2018-04-14 | 2018-08-07 | 上海交通大学 | 可实现智能信号处理的高速高精度光模数转换装置和方法 |
-
2018
- 2018-10-26 CN CN201811257377.XA patent/CN109254350B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728740A (zh) * | 2012-10-11 | 2014-04-16 | 北京大学 | 一种马赫-曾德尔电光外调制器的偏置控制方法及系统 |
US20150323781A1 (en) * | 2014-05-06 | 2015-11-12 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and method for producing optical sinc-shaped pulses |
CN107077107A (zh) * | 2014-06-05 | 2017-08-18 | 泰克年研究发展基金会公司 | 大规模光子集成电路的多自由度稳定性 |
US20170351293A1 (en) * | 2016-06-02 | 2017-12-07 | Jacques Johannes Carolan | Apparatus and Methods for Optical Neural Network |
US20180081388A1 (en) * | 2016-09-22 | 2018-03-22 | Hewlett Packard Enterprise Development Lp | Concurrently performing attribute-dependent operations on signals |
CN108375861A (zh) * | 2018-04-14 | 2018-08-07 | 上海交通大学 | 可实现智能信号处理的高速高精度光模数转换装置和方法 |
Non-Patent Citations (3)
Title |
---|
JUNSEN LAI等: "Multiple-Impairment Monitoring For 40-Gbps RZ-OOK Using Artificial Neural Networks Trained With Reconstructed Eye Diagram Parameters", 《CONFERENCE ON LASERS AND ELECTRO-OPTICS/PACIFIC RIM》 * |
YICHEN SHEN等: "Deep learning with coherent nanophotonic circuits", 《NATURE PHOTONICS》 * |
徐绍夫等: "Ultra-high range resolution demonstration of a photonics-based microwave radar using a high-repetition-rate mode-locked fiber laser", 《CHINESE OPTICS LETTERS》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949067B (zh) * | 2019-05-14 | 2023-04-18 | 中国科学院上海光学精密机械研究所 | 达曼卷积光计算机 |
CN111949067A (zh) * | 2019-05-14 | 2020-11-17 | 中国科学院上海光学精密机械研究所 | 达曼卷积光计算机 |
WO2021013221A1 (zh) * | 2019-07-24 | 2021-01-28 | 华为技术有限公司 | 光计算芯片、系统及数据处理技术 |
CN111240400A (zh) * | 2020-01-20 | 2020-06-05 | 光子算数(北京)科技有限责任公司 | 光除法模块、光子神经网络芯片、芯片系统及光除法器 |
CN111240400B (zh) * | 2020-01-20 | 2023-10-20 | 光子算数(北京)科技有限责任公司 | 光除法模块、光子神经网络芯片、芯片系统及光除法器 |
CN111340680A (zh) * | 2020-03-20 | 2020-06-26 | 光子算数(北京)科技有限责任公司 | 一种卷积计算方法及卷积运算电路 |
CN111340680B (zh) * | 2020-03-20 | 2023-06-02 | 光子算数(北京)科技有限责任公司 | 一种卷积计算方法及卷积运算电路 |
CN112232504A (zh) * | 2020-09-11 | 2021-01-15 | 联合微电子中心有限责任公司 | 一种光子神经网络 |
CN113641210B (zh) * | 2021-10-12 | 2022-03-18 | 清华大学 | 用于消息散列算法中消息压缩的光电集成电路 |
CN113641210A (zh) * | 2021-10-12 | 2021-11-12 | 清华大学 | 用于消息散列算法中消息压缩的光电集成电路 |
CN114626011A (zh) * | 2022-05-12 | 2022-06-14 | 飞诺门阵(北京)科技有限公司 | 光子计算神经网络运算加速方法、装置、设备及存储介质 |
CN115472603A (zh) * | 2022-08-30 | 2022-12-13 | 浙江大学 | 实现卷积神经网络的单片光子集成芯片 |
CN115472603B (zh) * | 2022-08-30 | 2023-08-08 | 浙江大学 | 基于光频梳实现卷积神经网络的单片光子集成芯片 |
Also Published As
Publication number | Publication date |
---|---|
CN109254350B (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109254350B (zh) | 平铺型光子神经网络卷积层芯片 | |
Shehab et al. | An efficient brain tumor image segmentation based on deep residual networks (ResNets) | |
CN109639359A (zh) | 基于微环谐振器的光子神经网络卷积层芯片 | |
Xu et al. | Optical coherent dot-product chip for sophisticated deep learning regression | |
Zheng et al. | Parsing very high resolution urban scene images by learning deep ConvNets with edge-aware loss | |
Wang et al. | Various frameworks and libraries of machine learning and deep learning: a survey | |
Moore | The capitalocene | |
CN107766787A (zh) | 人脸属性识别方法、装置、终端及存储介质 | |
Wu et al. | Dynamic attention network for semantic segmentation | |
Yu et al. | A user-based taxonomy for deep learning visualization | |
CN111680796B (zh) | 基于级联光耦合器的片上光子神经网络装置、芯片及其应用方法 | |
Zhang et al. | A virtual-real interaction approach to object instance segmentation in traffic scenes | |
US20200387780A1 (en) | Nonlinear all-optical deep-learning system and method with multistage space-frequency domain modulation | |
Han et al. | Meta multi-task nuclei segmentation with fewer training samples | |
Nguyen et al. | 11 Tera-FLOP per second photonic convolutional accelerator for deep learning optical neural networks | |
Zhou et al. | Ultrafast dynamic machine vision with spatiotemporal photonic computing | |
Moss | 11 Tera-FLOP/s photonic convolutional accelerator for optical neural networks | |
CN112101540A (zh) | 光学神经网络芯片及其计算方法 | |
Tang et al. | Task-balanced distillation for object detection | |
Sun et al. | YOLO-P: An efficient method for pear fast detection in complex orchard picking environment | |
Michel et al. | Artificial neural networks using complex numbers and phase encoded weights | |
Dong et al. | An optimized optical diffractive deep neural network with OReLU function based on genetic algorithm | |
Yildirim et al. | Nonlinear optical data transformer for machine learning | |
Bauwens et al. | Using photonic reservoirs as preprocessors for deep neural networks | |
Xu et al. | New non-traveling wave solutions for the (2+ 1)-dimensional variable coefficients Date-Jimbo-Kashiwara-Miwa equation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |