CN110197277A - 实现数字识别的光学神经网络方法 - Google Patents

实现数字识别的光学神经网络方法 Download PDF

Info

Publication number
CN110197277A
CN110197277A CN201910391752.8A CN201910391752A CN110197277A CN 110197277 A CN110197277 A CN 110197277A CN 201910391752 A CN201910391752 A CN 201910391752A CN 110197277 A CN110197277 A CN 110197277A
Authority
CN
China
Prior art keywords
optical
module
neural network
mzi
output
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.)
Pending
Application number
CN201910391752.8A
Other languages
English (en)
Inventor
郑臻荣
陈媛
陶陈凝
黄怡
丁章浩
张金雷
秦振韬
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910391752.8A priority Critical patent/CN110197277A/zh
Publication of CN110197277A publication Critical patent/CN110197277A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G06N3/0675—Physical 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
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks

Landscapes

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

Abstract

本发明提出了一种实现数字识别的光学神经网络方法，包括获取数字图像特征步骤和构造光学神经网络步骤。所述光学神经网络由光学干涉模块、光学非线性模块和探测器阵列构成。所述光学干涉模块包括马赫曾德干涉仪阵列与可变光衰减器，可实现任意矩阵乘法运算。所述光学非线性模块由可饱和吸收体等具有非线性效应的器件构成，可实现人工神经网络中激活函数的功能。该方法利用光学计算缩短了计算时间，降低了计算能耗。

Description

实现数字识别的光学神经网络方法
技术领域
本发明涉及光学神经网络技术领域，具体为实现数字识别的光学神经网络方法。
背景技术
人工神经网络(artificial neural network,ANN)受生物神经网络启发，是一种通过模仿动物神经网络的行为特征，实现分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络目前广泛应用在图像、语音、场景识别和决策问题等，同时在移动视觉、自动驾驶车辆和机器人以及无线智能传感器等嵌入式系统中也有所突破。但在嵌入式系统中由于模型的复杂性，需要更大深度的神经网络以及大量的能量和存储，因此计算时间和功率大大增加，使得某些算法实现起来的难度加深。
为了降低复杂性并提高计算速度，在硬件方面，图形处理单元(GPU)、专用集成电路(ASIC)和现场可编程门阵列(FPGA)等，都提高了学习任务的能效和速度。针对嵌入式视觉应用也尝试将一部分图像处理结合到传感器上，消除或减少将全部图像数据传送到处理器的需要，但计算时间与效率仍受到系统功率和带宽的严格限制。
发明内容
本发明的目的在于克服现有技术的不足通过简单神经网络——数字识别在光学神经网络中的验证，提供一种可用于复杂度更高的神经网络可行性方法。
本发明公开了一种实现数字识别的光学神经网络方法，包括如下步骤：
1)将呈28*28矩阵形式的数字图像，分割处理为四个14*14二值子矩阵作为四维输入向量；
2)将步骤1)得到的四维输入向量中的每一维作为一个输入，利用第一光学干涉模块接收四个输入，进行线性矩阵乘法运算，获得四个输出；所述第一光学干涉模块包括马赫曾德干涉仪阵列与可变光衰减器；
3)利用第一光学非线性模块接收第一光学干涉模块的输出光信号，对所述输出光信号进行非线性转换，得到四个输出光信号；
4)利用第二光学干涉模块接收第一光学非线性模块的输出光信号，再次进行线性矩阵乘法运算，获得四个输出；
5)利用第二光学非线性模块接收第二光学干涉模块的输出光信号，对所述输出光信号进行非线性转换，得到四个输出光信号；
6)利用四个探测器接收第二光学非线性模块的输出光信号，相同数字的光信号输入所对应的四个输出光信号比保持在一定范围内，通过四个输出光信号比的不同进行数字识别。
优选的，所述的步骤1)中，将四个14*14子图像中每个像素值为1的像素点占总像素点的比值作为四维输入向量。
优选的，所述的第一光学干涉模块对输入光信号进行线性变换，分为MZI-U阵列和MZI-V阵列，实现酉矩阵的光学计算，所述酉矩阵经奇异值分解获得。
优选的，每个MZI包括：内移相器，所述内移相器可控制MZI两个输出光信号的分光比；外移相器，所述外移相器可调节MZI两个输出光信号的相位延迟。
优选的，所述可变光衰减器控制MZI-U阵列输出光功率大小，可变光衰减器的输出与MZI-V阵列的输入进行光学通信；所述可变光衰减器，可实现奇异值分解中对角矩阵特征。
优选的，所述第一光学非线性模块为饱和吸收体、光学双稳态器件或非线性折射材料。
优选的，所述第二光学干涉模块与第一光学干涉模块相同；所述的第二光学非线性模块与第一光学非线性模块相同。
与现有技术相比。本发明的数字图像特征获取，需将28*28图像二值化处理并分割为4个14*14子图像，计算每个子图像像素值为1的像素点占总像素点的比值，作为人工神经网络中一组四维输入向量，在计算机中对需要训练和测试的每张图像执行相同操作。四维向量归一化转换为光学干涉模块的输入光信号的振幅信息。MZI包括：内移相器，可控制MZI两个输出光信号的分光比；外移相器，可调节MZI两个输出光信号的相位延迟。所述光学干涉模块还包括可变光衰减器，与MZI-U阵列互连，可控制MZI-U阵列的输出光信号强度，实现对角矩阵的光学计算。光学非线性模块可饱和吸收体，光学干涉模块的输出光信号经过可饱和吸收体，得到四个经过非线性转换的输出光信号，以执行激活函数的作用。
通过光学计算缩短了计算时间，降低了计算能耗。在嵌入式系统或交互式系统中，例如自动驾驶等场景中，快速的计算可以做出及时的反应，在未来存在很大的使用潜力。
附图说明
为了更清楚地说明本发明实例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了四维向量输入神经元实现数字识别的算法流程图实施例；
图2示出了从优化后的权重矩阵获得MZI内相位的流程图实施例；
图3示出了MZI结构示意图；
图4示出了光学干涉模块示意图；
图5示出了光学神经网络示意图；
图6示出了仿真结果示意图。
具体实施方式
为透彻的理解本发明，在接下来的描述中陈述了很多特定细节。而在没有这些特定细节时，本发明则可能仍可实现。然而，应理解：不存在将本发明的各种实施例限于在此公开的特定实施例的意图，而是应将本发明理解为涵盖落入本发明的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
此处所称的“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。此外，表示一个或多个实施例的方法、流程图或功能框图中的模块顺序并非固定的指代任何特定顺序，也不构成对本发明的限制。
图1示出了四维向量输入神经元实现数字识别的算法100流程图。在MNIST官网中下载手写数字数据集如101，选取0，1，2，3四个数字各600张作为数据样本，样本中1600张为训练样本，800张为测试样本。在anaconda中导入数据集，将每个28*28二值化图像分割为4个14*14子图像如102，并计算每个子图像像素值为1的像素点占总像素点的比值，存储为XN＝[x1,x2,x3,x4],N∈[1,1600]如103。编程使用Tensorflow框架，Python语言，该神经网络为两层全连接，在前向传播中，对数据集XN执行矩阵乘法运算，Y1＝XNW1，再对其执行ReLU函数，实现非线性变换，获得第一层的四维输出向量a1＝f(Y1),如104.a1作为第二层的输入继续执行矩阵乘法和ReLU函数得到第二层全连接的输出Y2，Y2＝a1W2如105.在后向传播中使用交叉熵来定义计算输出与实际输出之间的差值，在最小化交叉熵的过程中使用随机梯度算法对权重矩阵进行优化，优化后的权重矩阵W1,W2如106.
图2示出了从优化后的权重矩阵W1,W2获得MZI内相位的示例。201为权重矩阵W1,W2106，SVD作用于该矩阵，得到四维酉矩阵U如202，对角矩阵S如203，四维酉矩阵V，如204.对U矩阵和V矩阵分别作用Givens旋转矩阵如205，得到和如206，207。U1旋转矩阵的相位分别为θU21θU31θU32θU41θU42θU43,如208.V1 T旋转矩阵的相位分别为θV21θV31θV32θV41θV42θV43如209.103数据集XN为1*4向量，左乘U1矩阵，X*U1*S′*V1 T，即
103还可以表示为4*1向量XN＝[x1,x2,x3,x4]T，基于这种情况，在200中，需执行U1*S′*V1 T*X，即
图3示出了MZI结构的示意图；MZI结构如300，由两个输入臂301，信号臂302，参考臂303，两个输出臂304，两个3dB耦合器305，306，内移相器307，外移相器308构成。内移相器307位于信号臂302上，外移相器308位于输出臂304上。输入臂301接收光信号，经过3dB耦合器303实现50％分光，如309。上下两个输入臂各有50％光信号输入到信号臂302和参考臂303，内移相器307可通过改变波导折射率改变相位达到改变输出分光比的目的，β表示传播常数，k0表示光信号在自由空间传播波数，Nneff表示有效折射率，L表示波导长度，表示两臂相位差.内移相器307也可以通过调节波导上施加电压长度来改变相位达到改变输出分光比的目的。在与下一个MZI输入臂光学通信之前，外移相器308可以调节两个输出臂304之间的相对相位延迟，在经过下一个MZI的第一个3dB耦合器后消除因相位延迟导致的分光误差。
图4示出了光学干涉模块的示意图；光学干涉模块400包括MZI-U阵列401，可变衰减器402，MZI-V阵列403。MZI-U阵列401由6个MZI组成，个数计算参照N(N-1)/2，N为输入端口数。内移相器401a,401b,401c,401d,401e,401f的相位改变量分别对应206的相位θU21θU31θU32θU41θU42θU43，可变衰减器402与MZI-U阵列401的输出光学通信，可改变光信号到合适的功率值，与MZI-V阵列403的输入光学通信。MZI-V阵列403由6个MZI组成，个数计算参照N(N-1)/2，N为输入端口数。内移相器403a,403b,403c,403d,403e,403f的相位改变量分别对应207的相位θV21θV31θV32θV41θV42θV43。光信号通过MZI-U阵列后，输入通道1～4如404对应于输出通道4～1如405，这也是MZI-V阵列与MZI-U阵列呈上下翻转镜像的原因。光学干涉模块也可以用另一种MZI阵列结构如406，可实现与光学干涉模块400相同的线性变换。
图5示出了两层全连接光学神经网络示意图；光学神经网络500包括输入光信号501，光学干涉模块502，504，光学非线性模块503，505，输出光信号506和光探测器507.人工神经网络中的四维输入向量如103可编码为输入光信号501，所述编码方法包括光信号振幅、相位、强度、波形和偏振态等光学参量。光学干涉模块502接收输入光信号501对其进行线性变换，光学非线性模块503接收上述输出对其执行非线性激励。光学干涉模块504与光学非线性模块505执行与光学干涉模块502和光学非线性模块503相同的操作，以此达到与人工神经网络中同样的效果。所述光学非线性模块503，505为可饱和吸收体，材料可包括石墨烯，常用的化合物半导体，比如GaAs、AlGaAs、InGaAs等。所述光学非线性模块503，505也可以使用光学双稳态器件与非线性折射材料实现。
如图6所示，利用人工神经网络训练数字识别，不同于利用传统神经网络实现数字识别使用784个输入节点，对应于该光学神经网络的人工神经网络输入为4个节点，训练次数为1600次，测试次数为800次，当训练次数超过800次时，训练准确率逐步趋近于80％，测试准确率均保持在80％左右。经过本发明两层全连接的训练与测试准确率为80％，交叉熵作为衡量该模型在测试集上的正确率，在此结果下交叉熵值为0.19。
以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种实现数字识别的光学神经网络方法，其特征在于包括如下步骤：
1)将呈28*28矩阵形式的数字图像，分割处理为四个14*14二值子矩阵作为四维输入向量；
2)将步骤1)得到的四维输入向量中的每一维作为一个输入，利用第一光学干涉模块接收四个输入，进行线性矩阵乘法运算，获得四个输出；所述第一光学干涉模块包括马赫曾德干涉仪阵列与可变光衰减器；
3)利用第一光学非线性模块接收第一光学干涉模块的输出光信号，对所述输出光信号进行非线性转换，得到四个输出光信号；
4)利用第二光学干涉模块接收第一光学非线性模块的输出光信号，再次进行线性矩阵乘法运算，获得四个输出；
5)利用第二光学非线性模块接收第二光学干涉模块的输出光信号，对所述输出光信号进行非线性转换，得到四个输出光信号；
6)利用四个探测器接收第二光学非线性模块的输出光信号，相同数字的光信号输入所对应的四个输出光信号比保持在一定范围内，通过四个输出光信号比的不同进行数字识别。
2.如权利要求1所述的实现数字识别的光学神经网络方法，其特征在于：所述的步骤1)中，将四个14*14子图像中每个像素值为1的像素点占总像素点的比值作为四维输入向量。
3.如权利要求1所述的实现数字识别的光学神经网络方法，其特征在于：所述的第一光学干涉模块对输入光信号进行线性变换，分为MZI-U阵列和MZI-V阵列，实现酉矩阵的光学计算，所述酉矩阵经奇异值分解获得。
4.如权利要求3所述实现数字识别的光学神经网络方法，其特征在于：每个MZI包括：内移相器，所述内移相器可控制MZI两个输出光信号的分光比；外移相器，所述外移相器可调节MZI两个输出光信号的相位延迟。
5.如权利要求3所述实现数字识别的光学神经网络方法，其特征在于：所述可变光衰减器控制MZI-U阵列输出光功率大小，可变光衰减器的输出与MZI-V阵列的输入进行光学通信；所述可变光衰减器，可实现奇异值分解中对角矩阵特征。
6.如权利要求1所述实现数字识别的光学神经网络方法，其特征在于：所述第一光学非线性模块为饱和吸收体、光学双稳态器件或非线性折射材料。
7.如权利要求1所述的光学非线性模块，其特征在于：所述第二光学干涉模块与第一光学干涉模块相同；所述的第二光学非线性模块与第一光学非线性模块相同。
CN201910391752.8A 2019-05-13 2019-05-13 实现数字识别的光学神经网络方法 Pending CN110197277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910391752.8A CN110197277A (zh) 2019-05-13 2019-05-13 实现数字识别的光学神经网络方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910391752.8A CN110197277A (zh) 2019-05-13 2019-05-13 实现数字识别的光学神经网络方法

Publications (1)

Publication Number Publication Date
CN110197277A true CN110197277A (zh) 2019-09-03

Family

ID=67752618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910391752.8A Pending CN110197277A (zh) 2019-05-13 2019-05-13 实现数字识别的光学神经网络方法

Country Status (1)

Country Link
CN (1) CN110197277A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956259A (zh) * 2019-11-22 2020-04-03 联合微电子中心有限责任公司 一种基于正向传播的光子神经网络训练方法
CN111198593A (zh) * 2019-12-31 2020-05-26 联合微电子中心有限责任公司 一种超线程光子计算结构
CN111461300A (zh) * 2020-03-30 2020-07-28 北京航空航天大学 光学残差深度网络构建方法
CN111563583A (zh) * 2020-04-03 2020-08-21 清华大学 基于神经常微分方程的光计算芯片设计方法及光计算芯片
CN111860822A (zh) * 2020-07-20 2020-10-30 联合微电子中心有限责任公司 光学神经网络的全光非线性激活函数实现方法、装置
CN112001487A (zh) * 2020-07-20 2020-11-27 联合微电子中心有限责任公司 一种光子神经网络
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
CN112988113A (zh) * 2021-04-29 2021-06-18 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
CN113033797A (zh) * 2021-05-08 2021-06-25 电子科技大学 一种基于正负分离的实数域光学神经网络的模式识别方法
CN113222135A (zh) * 2021-05-07 2021-08-06 中国科学院半导体研究所 一种基于多模干涉效应的片上光神经网络结构
CN113298246A (zh) * 2021-05-27 2021-08-24 山东云海国创云计算装备产业创新中心有限公司 数据处理方法、装置及计算机可读存储介质
CN113408720A (zh) * 2021-07-15 2021-09-17 苏州浪潮智能科技有限公司 光学神经网络及基于其的数据处理方法、装置、存储介质
CN113452449A (zh) * 2021-07-08 2021-09-28 上海交通大学 对时域信号进行酉矩阵计算的光学装置
CN113657588A (zh) * 2021-08-19 2021-11-16 山东云海国创云计算装备产业创新中心有限公司 一种实现光学神经网络的方法及系统
CN113673677A (zh) * 2021-08-18 2021-11-19 山东云海国创云计算装备产业创新中心有限公司 一种非线性激活函数relu的实现方法、设备及介质
CN113792870A (zh) * 2021-10-29 2021-12-14 广西大学 基于声光技术的全光控制光学神经网络系统
CN113822425A (zh) * 2021-11-02 2021-12-21 广西大学 一种抗传输损耗干扰的集成化光学神经网络系统
CN113890620A (zh) * 2020-07-01 2022-01-04 浙江大学 基于可调谐滤波器的硅基片上光子神经网络及其调制方法
CN113961035A (zh) * 2021-10-15 2022-01-21 北京理工大学 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
CN114520694A (zh) * 2022-04-21 2022-05-20 苏州浪潮智能科技有限公司 一种计算芯片、系统及数据处理方法
WO2023045202A1 (zh) * 2021-09-23 2023-03-30 苏州浪潮智能科技有限公司 一种光学芯片设计方法、系统、设备及计算机存储介质
CN117436494A (zh) * 2023-12-18 2024-01-23 合肥硅臻芯片技术有限公司 一种神经网络运算芯片及运算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140299743A1 (en) * 2012-11-27 2014-10-09 The Board Of Trustees Of The Leland Stanford Junior University Universal Linear Components
US20150382089A1 (en) * 2006-12-06 2015-12-31 Mohammad A. Mazed Dynamic intelligent bidirectional optical access communication system with object/intelligent appliance-to-object/intelligent appliance interaction
WO2019014345A1 (en) * 2017-07-11 2019-01-17 Massachusetts Institute Of Technology OPTICAL ISING MACHINES AND OPTICAL CONVOLUTIVE NEURAL NETWORKS
CN109477938A (zh) * 2016-06-02 2019-03-15 麻省理工学院 用于光学神经网络的设备和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150382089A1 (en) * 2006-12-06 2015-12-31 Mohammad A. Mazed Dynamic intelligent bidirectional optical access communication system with object/intelligent appliance-to-object/intelligent appliance interaction
US20140299743A1 (en) * 2012-11-27 2014-10-09 The Board Of Trustees Of The Leland Stanford Junior University Universal Linear Components
CN109477938A (zh) * 2016-06-02 2019-03-15 麻省理工学院 用于光学神经网络的设备和方法
WO2019014345A1 (en) * 2017-07-11 2019-01-17 Massachusetts Institute Of Technology OPTICAL ISING MACHINES AND OPTICAL CONVOLUTIVE NEURAL NETWORKS

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘锦: "基于神经网络的数字识别技术研究", 《软件导刊》 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956259A (zh) * 2019-11-22 2020-04-03 联合微电子中心有限责任公司 一种基于正向传播的光子神经网络训练方法
CN110956259B (zh) * 2019-11-22 2023-05-12 联合微电子中心有限责任公司 一种基于正向传播的光子神经网络训练方法
CN111198593B (zh) * 2019-12-31 2023-08-25 联合微电子中心有限责任公司 一种超线程光子计算结构
CN111198593A (zh) * 2019-12-31 2020-05-26 联合微电子中心有限责任公司 一种超线程光子计算结构
CN111461300A (zh) * 2020-03-30 2020-07-28 北京航空航天大学 光学残差深度网络构建方法
CN111461300B (zh) * 2020-03-30 2022-10-14 北京航空航天大学 光学残差深度网络构建方法
CN111563583A (zh) * 2020-04-03 2020-08-21 清华大学 基于神经常微分方程的光计算芯片设计方法及光计算芯片
CN111563583B (zh) * 2020-04-03 2022-08-09 清华大学 基于神经常微分方程的光计算芯片设计方法及光计算芯片
CN113890620B (zh) * 2020-07-01 2023-03-14 浙江大学 基于可调谐滤波器的硅基片上光子神经网络及其调制方法
JP2022542009A (ja) * 2020-07-01 2022-09-29 ジャージァン・ユニバーシティ チューナブルフィルタに基づくシリコン基板上のフォトニックニューラルネットワーク及びその変調方法
JP7420356B2 (ja) 2020-07-01 2024-01-23 ジャージァン・ユニバーシティ チューナブルフィルタに基づくシリコン基板上のフォトニックニューラルネットワーク及びその変調方法
CN113890620A (zh) * 2020-07-01 2022-01-04 浙江大学 基于可调谐滤波器的硅基片上光子神经网络及其调制方法
CN112001487A (zh) * 2020-07-20 2020-11-27 联合微电子中心有限责任公司 一种光子神经网络
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
CN111860822A (zh) * 2020-07-20 2020-10-30 联合微电子中心有限责任公司 光学神经网络的全光非线性激活函数实现方法、装置
CN111860822B (zh) * 2020-07-20 2023-09-26 联合微电子中心有限责任公司 光学神经网络的全光非线性激活函数实现方法、装置
WO2022016918A1 (zh) * 2020-07-20 2022-01-27 联合微电子中心有限责任公司 光学神经网络的全光非线性激活函数实现方法、装置
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
CN112988113A (zh) * 2021-04-29 2021-06-18 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
CN113222135A (zh) * 2021-05-07 2021-08-06 中国科学院半导体研究所 一种基于多模干涉效应的片上光神经网络结构
CN113222135B (zh) * 2021-05-07 2024-02-09 中国科学院半导体研究所 一种基于多模干涉效应的片上光神经网络结构
CN113033797B (zh) * 2021-05-08 2022-04-12 电子科技大学 一种基于正负分离的实数域光学神经网络的模式识别方法
CN113033797A (zh) * 2021-05-08 2021-06-25 电子科技大学 一种基于正负分离的实数域光学神经网络的模式识别方法
CN113298246A (zh) * 2021-05-27 2021-08-24 山东云海国创云计算装备产业创新中心有限公司 数据处理方法、装置及计算机可读存储介质
CN113452449B (zh) * 2021-07-08 2022-05-17 上海交通大学 对时域信号进行酉矩阵计算的光学装置
CN113452449A (zh) * 2021-07-08 2021-09-28 上海交通大学 对时域信号进行酉矩阵计算的光学装置
WO2023284168A1 (zh) * 2021-07-15 2023-01-19 苏州浪潮智能科技有限公司 光学神经网络及基于其的数据处理方法、装置、存储介质
US12001937B2 (en) 2021-07-15 2024-06-04 Inspur Suzhou Intelligent Technology Co., Ltd. Optical neural network, data processing method and apparatus based on same, and storage medium
CN113408720A (zh) * 2021-07-15 2021-09-17 苏州浪潮智能科技有限公司 光学神经网络及基于其的数据处理方法、装置、存储介质
CN113408720B (zh) * 2021-07-15 2023-07-14 苏州浪潮智能科技有限公司 光学神经网络及基于其的数据处理方法、装置、存储介质
CN113673677A (zh) * 2021-08-18 2021-11-19 山东云海国创云计算装备产业创新中心有限公司 一种非线性激活函数relu的实现方法、设备及介质
CN113673677B (zh) * 2021-08-18 2023-08-08 山东云海国创云计算装备产业创新中心有限公司 一种非线性激活函数relu的实现方法、设备及介质
CN113657588A (zh) * 2021-08-19 2021-11-16 山东云海国创云计算装备产业创新中心有限公司 一种实现光学神经网络的方法及系统
CN113657588B (zh) * 2021-08-19 2023-08-18 山东云海国创云计算装备产业创新中心有限公司 一种实现光学神经网络的方法及系统
WO2023045202A1 (zh) * 2021-09-23 2023-03-30 苏州浪潮智能科技有限公司 一种光学芯片设计方法、系统、设备及计算机存储介质
CN113961035A (zh) * 2021-10-15 2022-01-21 北京理工大学 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
CN113792870A (zh) * 2021-10-29 2021-12-14 广西大学 基于声光技术的全光控制光学神经网络系统
CN113822425A (zh) * 2021-11-02 2021-12-21 广西大学 一种抗传输损耗干扰的集成化光学神经网络系统
WO2023201970A1 (zh) * 2022-04-21 2023-10-26 苏州浪潮智能科技有限公司 一种计算芯片、系统及数据处理方法
CN114520694A (zh) * 2022-04-21 2022-05-20 苏州浪潮智能科技有限公司 一种计算芯片、系统及数据处理方法
CN117436494A (zh) * 2023-12-18 2024-01-23 合肥硅臻芯片技术有限公司 一种神经网络运算芯片及运算方法
CN117436494B (zh) * 2023-12-18 2024-02-23 合肥硅臻芯片技术有限公司 一种神经网络运算芯片及运算方法

Similar Documents

Publication Publication Date Title
CN110197277A (zh) 实现数字识别的光学神经网络方法
US11238336B2 (en) Optical convolutional neural network accelerator
CN109598184B (zh) 一种多分割任务的处理方法和装置
US20210264241A1 (en) Optical multiply and accumulate unit
CN111582435B (zh) 基于残差网络的衍射深度神经网络系统
CN103473213A (zh) 用于光学向量-矩阵乘法器并行信息加载和提取的系统
US11600060B2 (en) Nonlinear all-optical deep-learning system and method with multistage space-frequency domain modulation
CN113034391B (zh) 一种多模式融合水下图像增强方法、系统及应用
CN111753977A (zh) 光学神经网络卷积层芯片、卷积计算方法和电子设备
CN115222035B (zh) 一种光子神经网络卷积加速芯片
CN105933060B (zh) 一种基于动力学反馈神经网络的波前重构方法
CN113630517B (zh) 光电感算一体光场智能成像方法及装置
CN108875555A (zh) 基于神经网络的视频兴趣区域和显著目标提取与定位系统
CN117351542A (zh) 一种面部表情识别方法及系统
CN113534678B (zh) 一种操作问答任务的仿真到物理系统的迁移方法
CN114499660A (zh) 涡旋光束相位畸变校正方法、系统及通信装置
WO2023231635A1 (zh) 一种模型传输的方法及装置
CN111680796A (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
CN110324605A (zh) 一种基于神经网络的智能裸眼3d显示系统
CN115859186A (zh) 基于格拉米角场的分布式光纤传感事件识别方法及系统
US20230342596A1 (en) Optical matrix multiplication unit for an optoelectronic system for forming an artificial neural network
Sahin et al. Phase-coded computational imaging for depth of field extension
CN113592084A (zh) 基于反向优化超结构卷积核的片上光子神经网络
Zhang et al. Time-stretch optical neural network with time-division multiplexing
JPH04148212A (ja) 光ニューラルプロセッサ

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190903

RJ01 Rejection of invention patent application after publication