CN110187499B - 一种基于神经网络的片上集成光功率衰减器的设计方法 - Google Patents
一种基于神经网络的片上集成光功率衰减器的设计方法 Download PDFInfo
- Publication number
- CN110187499B CN110187499B CN201910457146.1A CN201910457146A CN110187499B CN 110187499 B CN110187499 B CN 110187499B CN 201910457146 A CN201910457146 A CN 201910457146A CN 110187499 B CN110187499 B CN 110187499B
- Authority
- CN
- China
- Prior art keywords
- attenuation
- optical power
- neural network
- spectral line
- integrated optical
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G02B2006/12133—Functions
Abstract
本发明提供了一种基于神经网络的片上集成光功率衰减器的设计方法,其包括以下步骤:确定器件的功能和器件的耦合区域;将耦合区域内的结构离散化;设定不同的目标衰减值,并且利用搜索算法对耦合区域内的离散化结构参数进行迭代以使得输出端满足设定的目标衰减值;记录上一步在迭代过程中所产生的所有结构参数以及相应的衰减值;构建若干个神经网络利用上一步记录的数据来训练该神经网络;将任意的衰减值输入这若干个神经网络,得到的结果确定一个新的搜索范围,在这个新的搜索范围内搜索到目标结果,实现对片上集成光功率衰减器的批量设计。采用本发明的技术方案,大大加速了一系列不同衰减率的片上光功率衰减器的设计速度,节省了时间。
Description
技术领域
本发明属于片上光子器件设计技术领域,尤其涉及一种基于神经网络的片上集成光功率衰减器的设计方法。
背景技术
目前对完整的硅结构进行参数化离散,然后结合搜索算法进行片上光子器件设计是一种较主流的设计方法,该方法可以设计出满足特定功能的片上器件,具有操作简单,自动化程度高等特点,但是耗时较长,不能满足对于片上光子器件的快速批量设计。
发明内容
针对以上技术问题,本发明公开了一种基于神经网络的片上集成光功率衰减器的设计方法,实现对片上光子器件的快速批量设计。
对此,本发明采用的技术方案为:
一种基于神经网络的片上集成光功率衰减器的设计方法,其包括以下步骤:
步骤S1:确定待设计器件的功能和结构,所述器件为片上光功率衰减器,所述功能为对光功率进行不同程度的衰减,所述结构为一端口输入,一端口输出,耦合区域内被参数化离散的结构。
步骤S2:设定一个平坦的目标衰减谱线,使用搜索算法对耦合区域内的离散结构参数进行迭代,直至输出端满足设定的衰减谱线。
步骤S3:另外设定平坦的多个目标衰减谱线,每个目标衰减谱线都重复步骤S2。并且记录在搜索过程中产生过的所有结构参数以及这些结构参数所对应的衰减谱线。
步骤S4:将记录到的结构参数转换为数字矩阵;将每一条衰减谱线都分离为N份,并且将每一份的衰减谱线都与其相应的数字矩阵构成一组样本,然后用这N组样本分别训练N个神经网络;其中N为不小于2的自然数;进一步的,所述N为3。
因为后续步骤需要对结构参数在软件上进行数学操作和处理,所以将记录到的结构参数转换为数字矩阵以便后续的操作;经观察发现,搜索过程中产生的衰减谱线在整个波长范围内都不会太平坦,但每个小段的起伏都不会太大。因此将每一条衰减谱线都分离为N份,这样由于缩减了波长范围,每一份衰减谱线的平坦程度都得到了提升。然后每一份的衰减谱线都与其相应的数字矩阵构成一组样本,这样便构成了N组样本。构建N个神经网络,用这N组样本分别训练这N个神经网络。这样得到的神经网络能够更好地建立起器件结构与平坦衰减谱线的对应关系。
步骤S5:取一条任意平坦的衰减谱线,并且将其分离为N份,每一份的衰减谱线分别输入步骤S4中训练好的N个神经网络,得到N个不尽相同的数字矩阵。综合这N个数字矩阵,得到待设计器件结构参数的新范围。
步骤S6:将步骤S5中取的一条任意平坦的衰减谱线作为目标衰减谱线,使用搜索算法在步骤S5中得到的新的搜索范围内对耦合区域内的离散结构参数进行搜索,直至输出端满足目标衰减谱线。
步骤S7:取多条任意平坦的衰减谱线,每一条衰减谱线都重复步骤S5和步骤S6,在步骤S5中得到的新的搜索范围内搜索出满足目标衰减谱线的结构。
采用此技术方案,这样就可以在神经网络得到的小的新的搜索范围内快速搜索出满足目标衰减谱线的结构,从而实现片上集成光功率衰减器的批量设计。
进一步的,S1中的参数化离散是指耦合区域内的结构可以被有限个参数所表示。
作为本发明的进一步改进,所述器件的制作材料为绝缘体上硅(SOI),III-V族材料或者聚合物。
作为本发明的进一步改进,步骤S2、步骤S3中设定的多个目标衰减谱线的均值为在该器件理论可行的衰减范围内平均取值,并且在目标设计波段内平坦。
作为本发明的进一步改进,步骤S2中的搜索算法可以是任意的优化搜索算法。
作为本发明的进一步改进,步骤S4中结构参数与数字矩阵的对应关系可以任意确定,只要在步骤S5中遵循相同的对应关系即可。
作为本发明的进一步改进,步骤S4中对衰减谱线分离的份数N以及每一份长度根据所得衰减谱线的抖动程度任意确定。
作为本发明的进一步改进,步骤S4,S5中对衰减谱线分离的份数N以及每一份的长度保持一致。
作为本发明的进一步改进,步骤S5中新的搜索范围可以根据所得N个矩阵在每一维度上的数值分布来确定。
本发明还公开了一种终端,所述终端包括:
至少要一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上任意一项所述的基于神经网络的片上集成光功率衰减器的设计方法。
本发明还公开了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如上任意一项所述的基于神经网络的片上集成光功率衰减器的设计方法。
与现有技术相比,本发明的有益效果为:
采用本发明的技术方案,缩减了设计一系列任意比例片上光功率衰减器的时间,可以快速实现一系列任意比例光功率衰减,且具有操作方便,自动化程度高。
附图说明
图1是本发明实施例的器件的结构示意图。
图2是本发明实施例所涉及的神经网络的架构示意图。
图3是本发明实施例用于训练神经网络的样本分布以及神经网络的训练过程。其中,(a)为用于训练神经网络的样本分布图,(b)为神经网络的训练过程图。
图4是本发明实施例最终设计出来四种衰减器的结构、场图以及相应的透射、反射谱线。其中(a)为设计出来四种衰减器的结构,(b)为设计出来四种衰减器的透射、反射谱线,(c)为设计出来四种衰减器的场图,(a)、(b)、(c)中,四个衰减器的衰减率从左到右依次为,-8.5dB,-5.5dB,-3.4dB,-2.2dB。
图5是本发明实施例的设计方法与传统设计方法的效率对比图。
图6是本发明实施例的分段预测整段预测的对比图,其中a)为传统设计方法的效率图,a)中虚线为整段预测结构的效率谱;b)为本实施例的效率图,b)中虚线为本发明实施例分段预测的效率谱,目标透射率为30%。
具体实施方式
下面对本发明的较优的实施例作进一步的详细说明。
在顶层硅厚度a为220nm,二氧化硅厚度为3μm的绝缘体上进行一种片上光功率衰减器的硅结构设计,其包括以下步骤:
步骤S1:确定器件的功能和结构,所述功能为对光功率进行不同程度的衰减;所述器件的波导宽度为0.5μm;器件的耦合区域为1.8μm*1.8μm,在耦合区域内,器件被在X轴,Y轴平面上进行网格划分,分成15*15个小立方块,每个小立方块的大小为120nm*120nm*220nm,其中,每个立方块有两种可选择的状态:一种是硅材料,用1表示,一种是空气,用0表示。这样,所述器件的结构就可以由这225个小立方块的0,1状态所表示。由于所述器件可以被有限个参数所表示,因此所述器件的结构即为参数化离散的结构。
步骤S2:设定目标衰减值为-20dB,且在1525nm-1575nm波段为一条平坦直线,然后采用直接二元搜索算法来对离散化的结构参数进行迭代,直至满足设定的目标值。具体实施如下:
将耦合区域内的所有立方块都设置为硅材料,采用FDTD(时域有限差分法)计算此时的在1525nm-1575nm范围内的衰减谱线;然后随机选取一个立方块翻转其状态,再次用FDTD计算1525nm-1575nm范围内的衰减谱线,如果翻转后的衰减谱线的均值相对于翻转前的衰减谱线的均值更加接近-20dB,并且翻转后的衰减谱线的方差相对于翻转前的衰减谱线的方差更加接近0,则保留这一次翻转,否则将该立方块翻转回原来的状态;重复以上操作,直至实际衰减谱线收敛于目标衰减谱线。
步骤S3:再次设定三个目标衰减值为-6dB、-3dB、-1.25dB,并且在1525nm-1575nm波段都为一条平坦直线;对每个衰减值都重复步骤S2;在搜索算法对上述4个衰减值进行迭代过程中,每保留一次翻转就记录下此时耦合区域内的结构以及其相应的在1525nm-1575nm范围内的衰减谱线。
步骤S4:将步骤S3中记录的结构转换为数字矩阵,具体对应关系如步骤S1中所述,硅材料用1表示,空气用0表示,这样具体的结构就转换为了一个由0和1组成的15*15的矩阵,然后在MATLAB中通过reshape函数将其转换为225*1的矩阵;从衰减谱线中等距的取21个点,将其三等分,即前面7个点,中间7个点和后面七个点。然后将每条谱线的前7个点与相应结构转换后的数字矩阵组成一组样本,同理,中间7个点和后面7个点都与相应的数字矩阵组成样本,这样就得到了三组样本;如图2和图3所示,构建三个神经网络,每个神经网络都有三个隐层,每层的神经元为200、100、225,每个神经元都采用sigmoid function, costfunction都为mean square error;将得到的三组样本分别用于训练这三个神经网络;用于训练神经网络的样本分布如图3(a),神经网络的训练过程示意图如图3(b)。
步骤S5:选取一系列任意的衰减谱线,这里选取-8.5dB、-5.5dB、-3.4dB、-2.2dB,且在1525nm-1575nm上平坦的谱线。对于-8.5dB的衰减谱线,从该衰减谱线中等距的取21个点,并且三等分,每一等分分别输入步骤S4中得到的三个神经网络中,每个神经网络的225个端口的输出值都会是介于0到1之间的值,此时,对于每一个端口的输出,如果大于0.5则将其变为1,如果小于等于0.5,则将其变为0,这样就得到了三个225*1的数字矩阵,综合这三个矩阵,将每一维度的最大值设定为上限,最小值设定为下限,这样便得到待设计器件结构参数的新搜索范围。由于本实施例中矩阵每一维度只有0和1两种取值,因此比较结果只有相同与不相同,对于比较后相同的维度,由于上下限相等,因此直接保留其结果,不需要在搜索,而所有比较后不相同的维度便构成了新的搜索范围。
步骤S6:将均值为-8.5dB、且在1525nm-1575nm上平坦的谱线作为目标衰减谱线,利用步骤S2中的直接二元搜索法在步骤S5中得到的新的搜索范围中进行迭代搜索,直至输出端满足目标衰减谱线。
步骤S7:对于其他三条任意选取的衰减谱线,每一条都重复步骤S5与步骤S6,这样便可以快速的得到四种不同衰减比例的片上光功率衰减器。
采用上述方法设计的器件结构示意图如图1所示,可见,有些立方块为硅材料,有些立方块为空气。
本实施例的设计方法与传统设计方法在设计不同数量的衰减器时的耗时对比如图5所示。从该图中可以看出,相较于传统设计方法,当待设计衰减器数目比较多的时候,本发明可以大大缩减设计时间,并且由于存在样本的计算时间成本,因此用该方法设计出的不同衰减比例的衰减器数目越多,该方法的优势体现的越明显。
对于本实施例设计出来的四种片上光功率衰减器的结构以及对应的光场图和谱线如图4所示。其中,在谱线中“Expectation”指的是预期谱线,“Attenuation”指的是由预期谱线设计出的衰减器的实际衰减谱线,“Reflection”指的是由预期谱线设计出的衰减器的实际反射谱线。从谱线中可以看出,采用本发明实施例设计出来的衰减器都具有良好的带宽特性,并且谱线都比较平坦,很好地满足了预期。
如图6所示,整段预测与本发明实施例的分段预测的对比图,其中6a)为整段预测结构的效率谱,6b)为本发明实施例的分段预测的效率谱,目标透射率为30%。这里为了更为直观的比较,纵坐标用百分数来表示而非dB。通过图6中的对比可见,采用本发明实施例的图6b)中的效率谱相对于图6a)中整段预测结构的效率谱更为平坦、且更加贴近目标透射率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于神经网络的片上集成光功率衰减器的设计方法,其特征在于:其包括以下步骤:
步骤S1,确定待设计片上光功率衰减器的功能和和结构,所述功能为对光功率进行不同程度的衰减,所述结构为耦合区域内被参数化离散的结构;
步骤S2,设定一个目标衰减谱线,使用搜索算法对器件耦合区域内的离散结构参数进行迭代,直至输出端满足设定的衰减谱线;
步骤S3,另外设定不同于步骤S2的其他至少两个目标衰减谱线,每个目标衰减谱线都重复步骤S2,并且记录在搜索过程中产生过的所有结构参数以及这些结构参数所对应的衰减谱线;
步骤S4,将记录到的结构参数转换为数字矩阵;将每一条衰减谱线都分离为N份,并且将每一份的衰减谱线都与其相应的数字矩阵构成一组样本,然后用这N组样本分别训练N个神经网络;其中N为不小于2的自然数;
步骤S5,取一条任意平坦的衰减谱线,将其分离为N份,每一份的衰减谱线分别输入步骤S4中训练好的N个神经网络,得到N个数字矩阵;综合这N个数字矩阵,得到待设计器件结构参数的新的搜索范围;
步骤S6,将步骤S5中所取的一条任意平坦的衰减谱线作为目标衰减谱线,使用搜索算法在步骤S5中得到的新的搜索范围内对耦合区域内的离散结构参数进行搜索,直至输出端满足目标衰减谱线;
步骤S4中,对衰减谱线分离的份数N以及每一份长度根据所得衰减谱线的抖动程度确定。
2.根据权利要求1所述的基于神经网络的片上集成光功率衰减器的设计方法,其特征在于:还包括:
步骤S7,取多条任意平坦的衰减谱线,每一条衰减谱线都重复步骤S5和步骤S6,在步骤S5中得到的新的搜索范围内搜索出满足目标衰减谱线的结构。
3.根据权利要求2所述的基于神经网络的片上集成光功率衰减器的设计方法,其特征在于:步骤S2和步骤S3中所设定的多个目标衰减谱线的均值为所设计器件的理论可行的衰减范围内的平均取值,并且在目标设计波段内平坦。
4.根据权利要求3所述的基于神经网络的片上集成光功率衰减器的设计方法,其特征在于:步骤S4和步骤S5中,每一条衰减谱线分离的份数N以及每一份的长度相同。
5.根据权利要求3所述的基于神经网络的片上集成光功率衰减器的设计方法,其特征在于:步骤S4中的样本中,数字矩阵为标签,相应的衰减谱线为数据。
6.根据权利要求3所述的基于神经网络的片上集成光功率衰减器的设计方法,其特征在于:步骤S5中,新的搜索范围根据得到的N个数字矩阵在每一维度上的数值分布来确定。
7.根据权利要求1~6任意一项所述的基于神经网络的片上集成光功率衰减器的设计方法,其特征在于:所述器件的制作材料为绝缘体上硅、III-V族材料或者聚合物。
8.一种终端,其特征在于,所述终端包括:
至少要一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1~7任意一项所述的基于神经网络的片上集成光功率衰减器的设计方法。
9.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1~7任意一项所述的基于神经网络的片上集成光功率衰减器的设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457146.1A CN110187499B (zh) | 2019-05-29 | 2019-05-29 | 一种基于神经网络的片上集成光功率衰减器的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457146.1A CN110187499B (zh) | 2019-05-29 | 2019-05-29 | 一种基于神经网络的片上集成光功率衰减器的设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110187499A CN110187499A (zh) | 2019-08-30 |
CN110187499B true CN110187499B (zh) | 2021-10-19 |
Family
ID=67718518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910457146.1A Active CN110187499B (zh) | 2019-05-29 | 2019-05-29 | 一种基于神经网络的片上集成光功率衰减器的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187499B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329209B (zh) * | 2020-10-16 | 2023-12-01 | 哈尔滨工业大学(深圳) | 一种基于外观轮廓调控的片上光子器件的设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710899A (zh) * | 2005-05-27 | 2005-12-21 | 西安电子科技大学 | 多输入多输出系统的迭代参数估计方法 |
CN103760230A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于bp神经网络的焊接缺陷巨磁电阻涡流检测方法 |
CN207924188U (zh) * | 2018-01-25 | 2018-09-28 | 哈尔滨工业大学深圳研究生院 | 一种片上衰减器 |
CN109117575A (zh) * | 2018-08-29 | 2019-01-01 | 北京邮电大学 | 表面等离激元波导系统的结构参数确定方法及设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3336587B2 (ja) * | 1997-02-25 | 2002-10-21 | 日本電信電話株式会社 | 光線路特性の自動解析方法 |
US20030036854A1 (en) * | 2001-02-06 | 2003-02-20 | The Penn State Research Foundation | Apparatus and method for designing proteins and protein libraries |
CN100595780C (zh) * | 2007-12-13 | 2010-03-24 | 中国科学院合肥物质科学研究院 | 一种基于模块神经网络的手写体数字自动识别方法 |
CN101655885B (zh) * | 2009-08-27 | 2012-01-11 | 南京理工大学 | 一种高效率二维光子晶体偏轴定向发射器的设计方法 |
CN102722725B (zh) * | 2012-06-04 | 2014-05-21 | 西南交通大学 | 一种基于主动场景学习的对象跟踪方法 |
CN102798342B (zh) * | 2012-08-02 | 2014-11-12 | 华中科技大学 | 一种用于光学散射测量的基于拟合误差插值的库匹配方法 |
US9217829B2 (en) * | 2012-11-30 | 2015-12-22 | Coriant Advanced Technology, LLC | Compact and low loss Y-junction for submicron silicon waveguide |
KR102521159B1 (ko) * | 2014-11-25 | 2023-04-13 | 피디에프 솔루션즈, 인코포레이티드 | 반도체 제조 공정을 위한 개선된 공정 제어 기술 |
WO2017210550A1 (en) * | 2016-06-02 | 2017-12-07 | Massachusetts Institute Of Technology | Apparatus and methods for optical neural network |
CN106094199B (zh) * | 2016-08-10 | 2019-05-17 | 哈尔滨工业大学深圳研究生院 | 一种片上光功率分束器的设计方法 |
US10778194B2 (en) * | 2017-08-28 | 2020-09-15 | University Of Florida Research Foundation, Inc. | Automatic composition of universal filters |
CN109389222A (zh) * | 2018-11-07 | 2019-02-26 | 清华大学深圳研究生院 | 一种快速的自适应神经网络优化方法 |
-
2019
- 2019-05-29 CN CN201910457146.1A patent/CN110187499B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710899A (zh) * | 2005-05-27 | 2005-12-21 | 西安电子科技大学 | 多输入多输出系统的迭代参数估计方法 |
CN103760230A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于bp神经网络的焊接缺陷巨磁电阻涡流检测方法 |
CN207924188U (zh) * | 2018-01-25 | 2018-09-28 | 哈尔滨工业大学深圳研究生院 | 一种片上衰减器 |
CN109117575A (zh) * | 2018-08-29 | 2019-01-01 | 北京邮电大学 | 表面等离激元波导系统的结构参数确定方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110187499A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180107451A1 (en) | Automatic scaling for fixed point implementation of deep neural networks | |
Jiang et al. | Multilayer optical thin film design with deep Q learning | |
Laporte et al. | Highly parallel simulation and optimization of photonic circuits in time and frequency domain based on the deep-learning framework pytorch | |
CN109510609B (zh) | 一种低复杂度的稀疏fir低通滤波器的设计方法 | |
WO2023098544A1 (zh) | 基于局部稀疏约束的结构化剪枝方法和装置 | |
CN110187499B (zh) | 一种基于神经网络的片上集成光功率衰减器的设计方法 | |
Ma et al. | Photonic tensor core with photonic compute-in-memory | |
WO2019006976A1 (zh) | 神经网络权重离散化方法、系统、设备和可读存储介质 | |
CN114067157A (zh) | 基于忆阻器的神经网络优化方法、装置及忆阻器阵列 | |
CN111898316A (zh) | 一种超表面结构设计模型的构建方法及其应用 | |
CN113238319A (zh) | 任意方向和通道的超紧凑功率分束器 | |
CN107888996A (zh) | 片上光网络拓扑结构的调整方法及装置 | |
Jiang et al. | Exploring high-performance slow light grating waveguides by means of deep learning | |
Zhan et al. | Field programmable gate array‐based all‐layer accelerator with quantization neural networks for sustainable cyber‐physical systems | |
CN113392965B (zh) | 一种哈达玛积的实现方法、设备及存储介质 | |
CN113392966B (zh) | 一种神经网络平均池化的实现方法、设备及存储介质 | |
CN115292988A (zh) | 一种用于光学逆向设计时的渐变几何限制优化方法、装置 | |
CN110892421A (zh) | 基于混合波的计算 | |
CN113569513B (zh) | 一种基于波导模式的片上多维逻辑门设计方法 | |
Shao et al. | Robust training of optical neural network with practical errors using genetic algorithm: A case study in silicon-on-insulator-based photonic integrated chips | |
CN113592084A (zh) | 基于反向优化超结构卷积核的片上光子神经网络 | |
CN214704082U (zh) | 任意方向和通道的超紧凑功率分束器 | |
CN113377546B (zh) | 通信避免方法、装置、电子设备和存储介质 | |
CN113610224B (zh) | 一种光学神经网络最大池化的方法、系统、设备及介质 | |
KR102329752B1 (ko) | 심층신경망의 그룹-레벨 프루닝 방법 및 장치 |
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 |