CN109639359B - 基于微环谐振器的光子神经网络卷积层芯片 - Google Patents

基于微环谐振器的光子神经网络卷积层芯片 Download PDF

Info

Publication number
CN109639359B
CN109639359B CN201910011700.3A CN201910011700A CN109639359B CN 109639359 B CN109639359 B CN 109639359B CN 201910011700 A CN201910011700 A CN 201910011700A CN 109639359 B CN109639359 B CN 109639359B
Authority
CN
China
Prior art keywords
micro
optical
ring resonator
array
modulator
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.)
Active
Application number
CN201910011700.3A
Other languages
English (en)
Other versions
CN109639359A (zh
Inventor
邹卫文
徐绍夫
陈建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910011700.3A priority Critical patent/CN109639359B/zh
Publication of CN109639359A publication Critical patent/CN109639359A/zh
Application granted granted Critical
Publication of CN109639359B publication Critical patent/CN109639359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50Transmitters
    • H04B10/501Structural aspects
    • H04B10/503Laser transmitters
    • H04B10/505Laser transmitters using external modulation
    • H04B10/5053Laser transmitters using external modulation using a parallel, i.e. shunt, combination of modulators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/067Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G06N3/0675Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50Transmitters
    • H04B10/516Details of coding or modulation
    • H04B10/54Intensity modulation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50Transmitters
    • H04B10/572Wavelength control
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04JMULTIPLEX COMMUNICATION
    • H04J14/00Optical multiplex systems
    • H04J14/02Wavelength-division multiplex systems
    • H04J14/0227Operation, administration, maintenance or provisioning [OAMP] of WDM networks, e.g. media access, routing or wavelength allocation
    • H04J14/0254Optical medium access
    • H04J14/0261Optical medium access at the optical multiplex section layer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
  • Lasers (AREA)
  • Optical Communication System (AREA)

Abstract

一种基于微环谐振器的光子神经网络卷积层芯片。该芯片通用于所有包含卷积计算的深度学习技术。该芯片利用波分复用的方式,将矢量化的待计算信号加载到不同的光波长上。微环谐振器和平衡光电探测器构成权值矩阵,可以完成待计算信号和权值矩阵的卷积计算,输出卷积结果。利用集成微环谐振器的可调谐性,可以实现任意数值的卷积计算。并且,利用光作为数值计算媒介,将卷积计算的速度提升至常数级(即光速),同时具有更高的能效比优势。

Description

基于微环谐振器的光子神经网络卷积层芯片
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。
技术背景
近年来,深度学习技术(Y.LeCun,et al,“Deep learning,”Nature,vol.521,pp.436-444,2015)受到学界和业界的广泛关注。基于大规模数据库和高速数字计算能力,深度学习可以对数据的关键特征进行自动提取,从而实现数据的预测、重构、判断等任务。多项基于深度学习的技术已经超越了人类在特定任务下的表现,也因此得到了广泛的应用。但是,实现高性能深度学习的一个重要条件是超高速率和超高能量效率的数字计算平台。现有的数字计算平台如中央处理器(CPU)、图形处理器(GPU)、张量处理器(TPU)等均是基于大规模集成电路所实现的。随着计算能力需求的进一步扩大,电子技术先天具有的带宽限制将成为阻碍现有数字计算平台发展的重要瓶颈。
作为一种极具潜力的替代方案,光子集成技术利用光作为传输和处理载体,可以轻松突破电子技术的带宽瓶颈,为将来的超大带宽超高速计算提供有力支撑。因此,利用光子技术实现一种深度学习计算芯片,也就是神经网络芯片,成为了研究热点。麻省理工学院利用相干光学的方式研制了一种可实现矩阵乘法的光子神经网络芯片(Y.Shen,et al,“Deep learning with coherent nanophotonic circuits,”Nature Photonics,vol.11,pp.441-446,2017)。但是此方法的劣势也较为明显,当所需要的计算较为复杂时,此方法所实现的芯片将十分复杂,其中的光子移项器级联级数将十分庞大,影响最终的计算正确率。然而,实现光子神经网络的方法不仅只有相干光的方法,还可以使用非相干光的方式(Alexander N.Tait,et al,“Neuromorphic photonic networks using siliconphotonic weight banks,”Scientific Reports,vol.7,pp.7430,2017)。这种方式利用波分复用的方法,避免了对光相位的精确控制,更有效地完成了光子神经网络的架构。通过这种方法的启发,我们可以实现一种基于微环谐振器的光子卷积层芯片。在避免精确控制光相位的同时,实现超快速的卷积计算,为未来深度学习技术的进一步发展提供强大的数字计算能力。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于微环谐振器的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卷积计算的深度学习技术。该设计方法利用波分复用的方式,将矢量化的待计算信号加载到不同的光波长上。微环谐振器和平衡光电探测器构成权值矩阵,可以完成待计算信号和权值矩阵的卷积计算,输出卷积结果。利用集成微环谐振器的可调谐性,可以实现任意数值的卷积计算。并且,利用光作为数值计算媒介,将卷积计算的速度提升至常数级(即光速),同时具有更高的能效比优势。
本发明的技术方案如下:
一种基于微环谐振器的光子神经网络卷积层芯片,其特点在于包括激光器光源阵列、调制器阵列、波分复用器、分光器和微环谐振器矩阵:
所述的激光器光源阵列由M个激光器构成,M个激光器各有一个光输出端口,共输出M个波长不同的单频连续光;所述的调制器阵列由M个光输入端口、M个电输入端口、M路调制器和M个光输出端口构成,所述的波分复用器有M个光输入端口和1个光输出端口,所述的分光器有1个光输入端口和N个光输出端口,所述的微环谐振器矩阵由N个结构相同、作用相同的微环谐振器阵列构成,每个微环谐振器阵列各有M个微环谐振器、还包括直通端、耦合端、平衡光电探测器、1个光输入端口、M个电输入端口和1个电输出端口;
所述的激光器光源阵列的M个光输出端口与所述的调制器阵列的M个光输入端口相连,待卷积的M路电信号经过所述的调制器阵列的M个电输入端口输入每个调制器,所述的调制器阵列的M个光输出端口与所述的波分复用器的M个光输入端口相连,所述的波分复用器的光输出端口与所述的分光器的光输入端口相连,所述的分光器的N个光输出端口与所述的微环谐振器矩阵的N个微环谐振器阵列的光输入端口相连,卷积窗口信号由所述的微环谐振器矩阵的N个微环谐振器阵列的M个电输入端口输入每个微环谐振器,所述的直通端和耦合端分别接入所述的平衡光电探测器,N个微环谐振器阵列各有一个电输出端口;
所述的激光器光源阵列输出M个波长不同的单频连续光;所述的调制器阵列将输入的M个待卷积的电信号分别调制到M个波长不同的单频连续光的强度上,每一个光波长对应一个待卷积的电信号;所述的波分复用器将多个波长的光合成一束;所述的分光器再将一束光按照光强度平均分成N路,每一路光中均包含了M个波长的成分;所述的微环谐振器矩阵的每一个微环谐振器阵列接收来自所述的分光器的一路光,每一个微环谐振器阵列中的M个微环谐振器分别接收一个卷积窗口信号,M个微环谐振器通过直通端相应地把M个波长的光不同程度地转移到所述的耦合端,所述的直通端和耦合端分别接入平衡光电探测器,该平衡光电探测器将光信号与所述的卷积窗口信号相乘后转化为电信号并作为结果输出,所述的M、N为不同的正整数。
所述的所述的激光器光源阵列为GaAIAs/GaAs激光器、InGaAsP/InP激光器、分布反馈激光器或量子阱激光器。
所述的调制器阵列为铌酸锂电光调制器、聚合物电光调制器或硅基集成电光调制器。
所述的波分复用器为阵列波导光栅或非线性布拉格光栅。
本发明的过程和原理叙述如下:
所述的激光器光源阵列输出M个波长不同的单频连续光;所述的调制器阵列将输入的电信号调制到光的强度上,因此,每一个光波长对应了一个电输入信号;所述的波分复用器将多个波长的光合成一束;所述的分光器将一束光按照光强度平均分成N路,每一路光中均包含了M个波长的成分;所述的微环谐振器矩阵包含N个结构相同的微环谐振器阵列,每一个微环谐振器阵列接收一路来自分光器的光,并且,每一个微环谐振器阵列中包含M个微环谐振器,可以接收M个电信号,每一个微环谐振器可以按照电信号的输入相应地将单一波长的光强度从直通端转移到耦合端,因此,M个微环谐振器可以相应的把M个波长的光不同程度地转移到耦合端,直通端和耦合端分别接入平衡光电探测器,平衡光电探测器将光信号转化为电信号并作为结果输出。
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:
Figure GDA0003216151710000041
本发明提出的基于微环谐振器的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。所述的激光器光源阵列输出M个波长不同的光;所述的调制器阵列将M个输入信号(即Xi,i=1,2,…,M)强度调制到不同波长的光上;经过所述的波分复用器和分光器,在每一个微环谐振器阵列中均输入了调制后的M个不同波长的光信号,每个微环谐振器阵列包含有M个微环谐振器,微环谐振器的作用是根据加在电信号的强弱把直通端的光强度耦合到耦合端。通过控制微环谐振器的谐振半径和耦合长度,可以使每个微环谐振器只对某一个特定的波长具有耦合作用。因此,将M个卷积窗信号(即Wi,i=1,2,…,M)加载到M个微环谐振器上,可以相应的把M个波长的光信号的强度从直通端耦合到耦合端,完成了每一个输入信号和卷积窗信号的相乘(即Xi·Wi,i=1,2,…,M)。随后,直通端和耦合端的进入平衡光电探测器的两个光口,完成了M个波长信号的加和操作。通过上述过程,完成了
Figure GDA0003216151710000042
卷积计算,并把Y作为输出信号进行输出。值得一提的是,本发明结构中共有N个结构相同的微环谐振器阵列,它们的作用是相同的,即是可以同时加载N组卷积窗信号,将计算速率提升了N倍。
所述的激光器光源阵列可以采用GaAIAs/GaAs激光器、InGaAsP/InP激光器、分布反馈激光器或者量子阱激光器。
所述的调制器阵列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。
所述的波分复用器采用阵列波导光栅或非线性布拉格光栅。
所述的微环谐振器阵列采用微环谐振器级联结构和直通端和耦合端的双平衡探测结构。
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。
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,激光器阵列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。
3、利用波分复用方式将不同信号在同一个波导中传输,简化了神经网络芯片的设计复杂性,提升了实现可行性。
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为本发明基于微环谐振器的光子神经网络卷积层芯片的一个实施例图。
图2为本发明基于微环谐振器的光子神经网络卷积层芯片中的微环谐振器阵列的组成示意图。
图3为微环谐振器的原理示意图,其中(a)是微环谐振器的波长与耦合强度原理图,(b)是微环谐振器的加载电压与耦合强度原理图。
图4为理想情况下本发明装置进行卷积计算的结果图,计算数据集为MNIST手写数字数据集,图中描绘了本发明装置对其中的数字“7”进行卷积操作的结果;其中(a)是本装置的卷积结果,作为对比,(b)是使用64位计算机进行卷积的结果。
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为本发明基于微环谐振器的光子神经网络卷积层芯片的一个实施例图。由图可见,本发明基于微环谐振器的光子神经网络卷积层芯片,包括激光器光源阵列1、调制器阵列2、波分复用器3、分光器4和微环谐振器矩阵5:
所述的激光器光源阵列1由M个激光器构成,M个激光器各有一个光输出端口,共输出M个波长不同的单频连续光;所述的调制器阵列2由M个光输入端口、M个电输入端口、M路调制器和M个光输出端口构成,所述的波分复用器3有M个光输入端口和1个光输出端口,所述的分光器4有1个光输入端口和N个光输出端口,所述的微环谐振器矩阵5由N个结构相同、作用相同的微环谐振器阵列构成,每个微环谐振器阵列各有M个微环谐振器5.1、还包括直通端5.2、耦合端5.3、平衡光电探测器5.4、1个光输入端口、M个电输入端口和1个电输出端口;
所述的激光器光源阵列1的M个光输出端口与所述的调制器阵列2的M个光输入端口相连,待卷积的M路电信号经过所述的调制器阵列2的M个电输入端口输入每个调制器,所述的调制器阵列2的M个光输出端口与所述的波分复用器3的M个光输入端口相连,所述的波分复用器3的光输出端口与所述的分光器4的光输入端口相连,所述的分光器4的N个光输出端口与所述的微环谐振器矩阵5的N个微环谐振器阵列的光输入端口相连,所述的卷积窗口信号由所述的微环谐振器矩阵5的N个微环谐振器阵列的M个电输入端口输入每个微环谐振器5.1,所述的直通端5.2和耦合端5.3分别接入所述的平衡光电探测器5.4,N个微环谐振器阵列各有一个电输出端口;
所述的激光器光源阵列1输出M个波长不同的单频连续光;所述的调制器阵列2将输入的M个待卷积的电信号分别调制到M个波长不同的单频连续光的强度上,每一个光波长对应一个待卷积的电信号;所述的波分复用器3将多个波长的光合成一束;所述的分光器4再将一束光按照光强度平均分成N路,每一路光中均包含了M个波长的成分;所述的微环谐振器矩阵5的每一个微环谐振器阵列接收来自所述的分光器4的一路光,每一个微环谐振器阵列中的M个微环谐振器5.1分别接收一个卷积窗口信号,M个微环谐振器5.1通过直通端5.2相应地把M个波长的光不同程度地转移到所述的耦合端5.3,所述的直通端5.2和耦合端5.3分别接入平衡光电探测器5.4,该平衡光电探测器5.4将光信号与所述的卷积窗口信号相乘后转化为电信号并作为结果输出,所述的M、N为不同的正整数。
实施例
所述的激光器光源阵列1在实施例中采用InGaAsP/InP激光器。
所述的调制器阵列2在实施例中采用硅基集成电光调制器。
所述的波分复用器3在实施例中采用阵列波导光栅。
所述的微环谐振器阵列在实施例中采用微环谐振器级联结构5.1和直通端5.12和耦合端5.3的双平衡探测结构5.4(见附图2)。
所述的激光器光源阵列1共有M(在本实施例中为M=4)个光输出端口,所述的调制器阵列2由M个光输入端口和M个电输入端口、M路调制器和M个光输出端口构成,所述的波分复用器3有M个光输入端口和1个光输出端口,所述的分光器4有1个光输入端口和N(在本实施例中为N=3)个光输出端口,所述的微环谐振器矩阵5由N个相同结构的微环谐振器阵列构成,所述的每个微环谐振器阵列都有1个光输入端口、M个电输入端口和1个电输出端口。所述的激光器光源阵列1的M个光输出端口与调制器阵列2的M个光输入端口相连,待卷积的M路电信号经过调制器阵列2的M个电输入端口输入,所述的调制器阵列2的M个光输出端口与所述的波分复用器3的M个光输入端口相连,所述的波分复用器3的光输出端口与所述的分光器4的光输入端口相连,所述的分光器4的N个光输出端口与所述的微环谐振器矩阵5的N个光输入端口相连,卷积窗口信号由所述的微环谐振器矩阵5的电输入端口输入,所述的微环谐振器矩阵5的N个电输出端口输出计算结果。
结合图2、图3,下面给出本实施例的操作方法和原理。
所述的激光器光源阵列1输出4个波长不同的单频连续光,其波长记作λ1、λ2、λ3、λ4;所述的调制器阵列2将输入的电信号调制到光的强度上,因此,每一个光波长对应了一个电输入信号,即是λ1的强度为X1,λ2的强度为X2,以此类推;所述的波分复用器3将多个波长的光合成一束;所述的分光器4将一束光按照光强度平均分成3路,每一路光中均包含了4个波长的成分;所述的微环谐振器矩阵5包含3个结构相同的微环谐振器阵列,每一个微环谐振器阵列接收一路来自分光器4的一束光,并且,每一个微环谐振器阵列中包含4个微环谐振器5.1,可以接收4个电信号,每一个微环谐振器5.1可以按照电信号的输入相应地将单一波长的光强度从直通端5.2转移到耦合端5.3,因此,4个微环谐振器5.1可以相应的把4个波长的光不同程度地转移到耦合端5.3,直通端5.2和耦合端5.3分别接入平衡光电探测器5.4,平衡光电探测器5.4将光信号转化为电信号并作为结果输出。
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:
Figure GDA0003216151710000071
本发明提出的基于微环谐振器的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。所述的激光器光源阵列1输出波长为λ1、λ2、λ3、λ4的光;所述的调制器阵列2将输入的电信号X1、X2、X3、X4强度调制到不同波长的光上;经过所述的波分复用器3和分光器4,在每一个微环谐振器阵列中均输入了调制后的不同波长的光信号,每个微环谐振器阵列包含有4个微环谐振器5.1,微环谐振器5.1的作用是根据加在电信号的强弱把直通端5.2的光强度耦合到耦合端5.3(参见图3b)。通过控制微环谐振器5.1的谐振半径和耦合长度,可以使每个微环谐振器5.1只对某一个特定的波长具有耦合作用。参见图3a,对微环谐振器的不同设置可以使其对特定波长的光具有耦合作用,而对其他波长的光不具有耦合作用,于是,我们可以将4个微环谐振器分别设置为对λ1、λ2、λ3、λ4具有耦合作用。因此,将卷积窗信号W1,W2,W3,W4加载到微环谐振器5.1上,可以相应的把4个波长的光信号的强度从直通端5.2耦合到耦合端5.3,完成了每一个输入信号Xi和卷积窗信号Wi相乘(即Xi·Wi,i=1,2,3,4)。随后,直通端5.2和耦合端5.3的进入平衡光电探测器5.4的两个光口,完成了4个波长信号的加和操作。通过上述过程,完成了
Figure GDA0003216151710000081
卷积计算,并把Y作为输出信号进行输出,用于后续的存储和处理等操作。
上述过程中,通过改变输入信号便可以改变输出结果Y,我们把待卷积的图像等信号依次作为输入,那么即可在输出端得到完整的卷积结果。其效果可以参见图4,图4为理想情况下本发明装置进行卷积计算的结果图,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MNIST数据集中的手写数字“7”的图片经过16次卷积得到了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。

Claims (4)

1.一种基于微环谐振器的光子神经网络卷积层芯片,其特征在于包括激光器光源阵列(1)、调制器阵列(2)、波分复用器(3)、分光器(4)和微环谐振器矩阵(5):
所述的激光器光源阵列(1)由M个激光器构成,M个激光器各有一个光输出端口,共输出M个波长不同的单频连续光;所述的调制器阵列(2)由M个光输入端口、M个电输入端口、M路调制器和M个光输出端口构成,所述的波分复用器(3)有M个光输入端口和1个光输出端口,所述的分光器(4)有1个光输入端口和N个光输出端口,所述的微环谐振器矩阵(5)由N个结构相同、作用相同的微环谐振器阵列构成,每个微环谐振器阵列各有M个微环谐振器(5.1)、还包括直通端(5.2)、耦合端(5.3)、平衡光电探测器(5.4)、1个光输入端口、M个电输入端口和1个电输出端口;
所述的激光器光源阵列(1)的M个光输出端口与所述的调制器阵列(2)的M个光输入端口相连,待卷积的M路电信号经过所述的调制器阵列(2)的M个电输入端口输入每个调制器,所述的调制器阵列(2)的M个光输出端口与所述的波分复用器(3)的M个光输入端口相连,所述的波分复用器(3)的光输出端口与所述的分光器(4)的光输入端口相连,所述的分光器(4)的N个光输出端口与所述的微环谐振器矩阵(5)的N个微环谐振器阵列的光输入端口相连,卷积窗口信号由所述的微环谐振器矩阵(5)的N个微环谐振器阵列的M个电输入端口输入每个微环谐振器(5.1),所述的直通端(5.2)和耦合端(5.3)分别接入所述的平衡光电探测器(5.4),N个微环谐振器阵列各有一个电输出端口;
所述的激光器光源阵列(1)输出M个波长不同的单频连续光;所述的调制器阵列(2)将输入的M个待卷积的电信号分别调制到M个波长不同的单频连续光的强度上,每一个光波长对应一个待卷积的电信号;所述的波分复用器(3)将多个波长的光合成一束;所述的分光器(4)再将一束光按照光强度平均分成N路,每一路光中均包含了M个波长的成分;所述的微环谐振器矩阵(5)的每一个微环谐振器阵列接收来自所述的分光器(4)的一路光,每一个微环谐振器阵列中的M个微环谐振器(5.1)分别接收一个卷积窗口信号,M个微环谐振器(5.1)通过直通端(5.2)相应地把M个波长的光不同程度地转移到所述的耦合端(5.3),所述的直通端(5.2)和耦合端(5.3)分别接入平衡光电探测器(5.4),该平衡光电探测器(5.4)将光信号与所述的卷积窗口信号相乘后转化为电信号并作为结果输出,所述的M、N为不同的正整数。
2.根据权利要求1所述的基于微环谐振器的光子神经网络卷积层芯片,其特征在于,所述的激光器光源阵列(1)为GaAIAs/GaAs激光器、InGaAsP/InP激光器、分布反馈激光器或量子阱激光器。
3.根据权利要求1所述的基于微环谐振器的光子神经网络卷积层芯片,其特征在于,所述的调制器阵列(2)为铌酸锂电光调制器、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所述的基于微环谐振器的光子神经网络卷积层芯片,其特征在于,所述的波分复用器(3)为阵列波导光栅或非线性布拉格光栅。
CN201910011700.3A 2019-01-07 2019-01-07 基于微环谐振器的光子神经网络卷积层芯片 Active CN109639359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910011700.3A CN109639359B (zh) 2019-01-07 2019-01-07 基于微环谐振器的光子神经网络卷积层芯片

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910011700.3A CN109639359B (zh) 2019-01-07 2019-01-07 基于微环谐振器的光子神经网络卷积层芯片

Publications (2)

Publication Number Publication Date
CN109639359A CN109639359A (zh) 2019-04-16
CN109639359B true CN109639359B (zh) 2021-10-08

Family

ID=66058179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910011700.3A Active CN109639359B (zh) 2019-01-07 2019-01-07 基于微环谐振器的光子神经网络卷积层芯片

Country Status (1)

Country Link
CN (1) CN109639359B (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110247728B (zh) * 2019-07-01 2021-06-25 光子算数(北京)科技有限责任公司 一种光子神经网络芯片
CN110516802A (zh) * 2019-07-03 2019-11-29 上海交通大学 基于光延时线缓存的光子卷积神经网络架构
CN110221387B (zh) * 2019-07-17 2020-08-04 中国科学院半导体研究所 一种光子芯片及其制备方法
US11874497B2 (en) 2019-07-17 2024-01-16 Institute Of Semiconductors, Chinese Academy Of Sciences Photonic chip and preparation method thereof
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
CN110488412A (zh) * 2019-08-26 2019-11-22 光子算数(北京)科技有限责任公司 一种光子人工智能芯片
CN110505021B (zh) * 2019-08-26 2021-04-09 光子算数(北京)科技有限责任公司 一种光通信装置、光通信系统及光信号处理方法
CN110554006B (zh) * 2019-09-04 2021-10-19 中国科学技术大学 基于自干涉型微环谐振腔光传感器的多模态测量方法
CN111461317B (zh) * 2020-04-03 2022-04-01 上海交通大学 单片集成光子卷积神经网络计算系统及其制备方法
CN111561953B (zh) * 2020-05-14 2021-11-05 上海科技大学 基于波分复用与平衡探测的片上集成光学矩阵矢量乘法器
CN111723337B (zh) * 2020-06-16 2023-02-07 上海交通大学 用于神经网络训练的光子张量核集成电路架构及其神经网络训练方法
CN111538368B (zh) * 2020-07-08 2021-01-01 欧梯恩智能科技(苏州)有限公司 光子信息处理芯片
CN112001487B (zh) * 2020-07-20 2024-05-28 联合微电子中心有限责任公司 一种光子神经网络
CN111882052B (zh) * 2020-08-19 2022-11-22 北京大学 光子卷积神经网络系统
CN112692873B (zh) * 2020-12-07 2022-05-17 中国计量大学 一种机器人异常检测装置与检测方法
CN114841334A (zh) * 2021-02-01 2022-08-02 华为技术有限公司 一种光计算装置、系统及卷积计算方法
CN112988113B (zh) * 2021-04-29 2021-09-14 中国科学院西安光学精密机械研究所 一种光子矩阵向量乘法器
CN113517932B (zh) * 2021-04-29 2022-07-08 北京理工大学 一种基于级联调制器的光学卷积信号处理系统及方法
CN113392965B (zh) 2021-08-18 2021-11-19 苏州浪潮智能科技有限公司 一种哈达玛积的实现方法、设备及存储介质
CN113392966B (zh) * 2021-08-18 2021-12-03 苏州浪潮智能科技有限公司 一种神经网络平均池化的实现方法、设备及存储介质
CN113960718B (zh) * 2021-10-13 2022-10-14 华中科技大学 光电混合非相干复值矩阵运算处理器及复值矩阵运算方法
CN116502689A (zh) * 2022-01-18 2023-07-28 华为技术有限公司 光计算装置及光计算方法
CN114358271B (zh) * 2022-03-18 2022-07-12 之江实验室 一种时间-波长交织光子神经网络卷积加速芯片
CN114815959B (zh) * 2022-06-27 2022-11-01 之江实验室 一种基于波分复用的光子张量计算加速方法及装置
CN114819132B (zh) * 2022-06-27 2022-10-11 之江实验室 一种基于时间-波长交织的光子二维卷积加速方法及系统
CN115166913B (zh) * 2022-06-29 2024-05-10 中国科学院西安光学精密机械研究所 一种基于微环的波分复用共封装光互连架构
CN115146771B (zh) 2022-09-02 2022-11-22 之江实验室 一种基于串联结构的二维光子神经网络卷积加速芯片
CN115167610B (zh) * 2022-09-08 2023-01-03 之江实验室 二维光子卷积加速芯片及应用系统与方法
CN115222035B (zh) * 2022-09-20 2022-12-30 之江实验室 一种光子神经网络卷积加速芯片
CN115641494B (zh) * 2022-10-26 2024-05-31 广州市南沙区北科光子感知技术研究院 一种基于微环调制器的神经网络图像处理系统
CN117077750B (zh) * 2023-08-21 2024-04-05 之江实验室 一种并行光子卷积运算芯片及系统
CN117709423B (zh) * 2024-02-05 2024-05-24 之江实验室 一种深度神经网络光子加速芯片及其运算系统
CN117784313B (zh) * 2024-02-28 2024-06-07 之江实验室 基于循环阵列波导光栅的二维光子卷积运算芯片及系统
CN117891023B (zh) * 2024-03-15 2024-05-31 山东云海国创云计算装备产业创新中心有限公司 光子芯片、异构计算系统、精度调整方法及产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630178A (zh) * 2008-07-16 2010-01-20 中国科学院半导体研究所 一种硅基集成化的光学向量-矩阵乘法器
CN103678258A (zh) * 2013-12-25 2014-03-26 中国科学院半导体研究所 一种提高硅基光学矩阵处理器数据分辨率的方法及处理器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10177856B2 (en) * 2016-08-18 2019-01-08 Raytheon Company Systems and methods for demodulation of phase modulated optical signals

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630178A (zh) * 2008-07-16 2010-01-20 中国科学院半导体研究所 一种硅基集成化的光学向量-矩阵乘法器
CN103678258A (zh) * 2013-12-25 2014-03-26 中国科学院半导体研究所 一种提高硅基光学矩阵处理器数据分辨率的方法及处理器

Also Published As

Publication number Publication date
CN109639359A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109639359B (zh) 基于微环谐振器的光子神经网络卷积层芯片
De Marinis et al. Photonic neural networks: A survey
Bai et al. Photonic multiplexing techniques for neuromorphic computing
CN114358271B (zh) 一种时间-波长交织光子神经网络卷积加速芯片
Filipovich et al. Silicon photonic architecture for training deep neural networks with direct feedback alignment
Bai et al. Towards silicon photonic neural networks for artificial intelligence
CN112001487A (zh) 一种光子神经网络
CN113961035A (zh) 面向深度学习的高效能可重构全光神经网络计算芯片架构
Huang et al. Programmable matrix operation with reconfigurable time-wavelength plane manipulation and dispersed time delay
CN115167610B (zh) 二维光子卷积加速芯片及应用系统与方法
Dabos et al. Neuromorphic photonic technologies and architectures: scaling opportunities and performance frontiers
CN113805641B (zh) 一种光子神经网络
CN112101540B (zh) 光学神经网络芯片及其计算方法
CN115222035B (zh) 一种光子神经网络卷积加速芯片
CN115905792A (zh) 一种用于光学实数矩阵计算的马赫曾德尔干涉仪网络
Wang et al. Development and application of an integrated laser-enabled silicon photonic tensor core
Filipovich et al. Monolithic silicon photonic architecture for training deep neural networks with direct feedback alignment
Craig et al. Optical cellular logic image processor: implementation and programming of a single channel digital optical circuit
CN112232487B (zh) 光学神经网络芯片及其计算方法
CN113630207A (zh) 一种光子神经网络芯片
Huang et al. Feature extraction from images using integrated photonic convolutional kernel
Xu et al. High-energy-efficiency integrated photonic convolutional neural networks
Ma et al. Design and testing of a Silicon Photonic Tensor Core with integrated lasers
Lin et al. 65 GOPS/neuron Photonic Tensor Core with Thin-film Lithium Niobate Photonics
Tang et al. Photonic tensor processing unit with single dataflow and programmable high-precision weighting control

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