CN110852431B - 一种光子人工智能计算芯片的数字式信号调制方法 - Google Patents

一种光子人工智能计算芯片的数字式信号调制方法 Download PDF

Info

Publication number
CN110852431B
CN110852431B CN201911073083.6A CN201911073083A CN110852431B CN 110852431 B CN110852431 B CN 110852431B CN 201911073083 A CN201911073083 A CN 201911073083A CN 110852431 B CN110852431 B CN 110852431B
Authority
CN
China
Prior art keywords
signal
digital
matrix
time sequence
artificial intelligence
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
CN201911073083.6A
Other languages
English (en)
Other versions
CN110852431A (zh
Inventor
田野
赵洋
王玮
刘胜平
李强
冯俊波
郭进
韩建忠
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.)
United Microelectronics Center Co Ltd
Original Assignee
United Microelectronics Center Co Ltd
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 United Microelectronics Center Co Ltd filed Critical United Microelectronics Center Co Ltd
Priority to CN201911073083.6A priority Critical patent/CN110852431B/zh
Publication of CN110852431A publication Critical patent/CN110852431A/zh
Priority to US17/774,488 priority patent/US20220405565A1/en
Priority to PCT/CN2020/103537 priority patent/WO2021088418A1/zh
Application granted granted Critical
Publication of CN110852431B publication Critical patent/CN110852431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/06—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

Landscapes

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

Abstract

发明提供了一种光子人工智能计算芯片的数字式信号调制方法，将一个或多个数字电信号组调制为光信号；所述数字电信号组包含若干在固定时间周期内顺序输出的时序信号；各时序信号具有相同的基础时钟与信号时间长度；传递N位数字信息的单个时序信号具有2N‑1个基础时钟，时序信号中高电平信号或数字信号“1”所占的基础时钟数量值为时序信号的信号值，与被传递的N位数字信息值相等；所述时序信号为电信号转换光信号的调制信号。相对已有的基于数模转换+模拟信号调制的计算方案而言，不需要成本和功耗较高的数模转换转换器，能够与电子芯片的数字信号直接衔接，避免了对数字信号进行数模转化时的量化误差。

Description

一种光子人工智能计算芯片的数字式信号调制方法
技术领域
本发明涉及光运算技术领域，具体涉及一种光子人工智能计算芯片的数字式信号调制方法。
背景技术
深度学习(Deep Learning,DL)是机器学习的技术和研究领域之一，通过建立具有阶层结构的人工神经网络(Artificial Neural Networks,ANNs)，在计算系统中实现人工智能(参见Lecun,Y.,Bengio,Y.,Hinton,G.,et al.(2015)Deep Learning.Nature,521,436.)。深度学习提出了一种让计算机自动学习模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。近年来，得益于大数据的发展、计算机计算能力的大幅提升和算法本身的突破，深度学习飞速发展，在计算机视觉、自然语言处理、图像视频优化、自动驾驶、医疗诊断等领域都取得了令人欣喜的成果。同时，由深度学习所带起的计算需求不断膨胀，促进了处理架构持续推陈出新，能够针对特定计算的新架构被不断提出，例如类神经网络芯片(NPU)、量子计算机(Quantum computing)，以及最新的计算概念：基于光子回路(Photonic Circuits)的计算架构。
相对于其他架构，光子回路更适合线性运算，具有超高带宽和超低能耗的优势。在2017年，麻省理工学院的研究人员提出了一种典型的光子神经网络芯片(参见Y.Shen,etal.“Deep learning with coherent nanophotonic circuits,”Nat.Photonics 11,441(2017).)，此芯片运用SVD算法将任意矩阵分解为2个酉矩阵和1个对角矩阵，然后用马赫—曾德干涉仪(Mach-Zehnder interferometer,MZI)组成的阵列模拟这3个矩阵，从而实现了全光任意矩阵相乘计算，为全连接神经网络的计算加速提供了一种光子学的解决思路。同时，将光子回路不擅长的存储、控制、非线性计算等部分放在外接的电路中进行，通过光电集成的方式实现一个理想智能功能的神经网络。然而，这种芯片是用模拟信号来进行光的调制和计算的(参见B,Hengameh,et al.“On-Chip Optical Convolutional NeuralNetworks”arXiv:1808.03303(2018).)，存在精度低、抗干扰能力差的问题，且对电光调制器和光探测器动态范围要求较高。同时与FPGA之类的数字芯片进行交流时需要进行AD/DA转换，额外带来了量化误差，提高了系统成本。电信号-光信号的调制前的DA转换制约着系统速度，高速高精度的DA转换器产品价格高，若将其调制方法转为数字信号，可增加整个光子神经网络芯片的精确度和稳定性，为光子神经网络芯片的发展提供一种有效思路。另外，光电产品日益丰富，电信号向光信号的调制转换以及信号的传输也呈现多样化的需求，有必要提供一种新的信号电信号向光信号转换的调制方法。
发明内容
针对现有技术中所存在的不足，本发明提供了一种光子人工智能计算芯片的数字式信号调制方法，通过数字式信号调制，降低部分光子产品的输入要求或输入条件限制，提高了系统的抗干扰性。为实现上述目的，本发明采用了如下的技术方案：
一种光子人工智能计算芯片的数字式信号调制方法，将一个或多个数字电信号组调制为光信号；所述数字电信号组包含若干在固定时间周期内顺序输出的时序信号；各时序信号具有相同的基础时钟与信号时间长度；传递N位数字信息的单个时序信号具有2N-1个基础时钟，时序信号中高电平信号或数字信号“1”所占的基础时钟数量值为时序信号的信号值，并且与被传递的N位数字信息值相等；所述时序信号为电信号转换光信号的调制信号。
进一步的，一个数字电信号组用于传递一个数据块信息，并通过时序信号将传递的数据块信息转换成了信息块；所述数据块与信息块为数组或矩阵。
进一步的，一个所述的数据块为一个单列多行的信号矩阵；所述信号矩阵的元素包含传递该数据块信息的数字电信号组中各时序信号的值，相邻时序信号的信号值在信号矩阵中对应代表相邻的行数据。
进一步的，信号矩阵通过数字电信号组中的时序信号转换成了调制矩阵；所述调制矩阵的元素包含传递该信号矩阵的数字电信号组中各时序信号的时序数字信号值。
进一步的，同一时序信号中的各时序数字信号值位于调制矩阵中的同一行，相邻时序的时序数字信号值位于调制矩阵中的相邻列。
进一步的，所述调制矩阵与参考矩阵A进行乘法运算所得的结果矩阵中，同一行的全部列数据须做加和运算，用以还原信息矩阵与同一参考矩阵A进行乘法运算对应结果矩阵的行数据。
进一步的，所述固定时间周期是时序信号的信号时间长度整倍数。
进一步的，同一时序信号中，任意两个高电平时序数字信号之间不包含低电平时序数字信号。
进一步的，多个数字电信号组以串行或并行的方式输出，一个数字电信号组中的各所述时序信号以串行或并行的方式输出。
本发明还提供了一种数字式调制器，包含有PWM模块，所述PWM模块输出如上所述的一种光子人工智能计算芯片的数字式信号调制方法中的数字电信号组。
进一步的，上述数字式调制器还包含发光单元，发光单元的输入与PWM模块的输出相连，以将数字电信号组的电信号转换为光信号。
本发明还提供了一种基于光子神经网络芯片的系统，包含顺序连接的发送器、光子神经网络芯片与接收器，所述发送器包含如上所述的一种数字式调制器。
进一步的，所述接收器包含顺序连接的光电探测器、信号放大器、积分器与模数转换器。
相比于现有技术，本发明具有如下有益效果：本申请通过神经网路得到所述调制矩阵，替代了原来输入光子芯片使用的模数转换器，降低了功耗，以及提高了调制的准确性与精确度。大大降低了对电光调制器和光探测器动态范围的要求，增加了整个光子神经网络芯片的精确度和稳定性。而数字化的改进也降低了包含光子神经网络芯片在内的部分光子产品的输入要求或输入条件限制，提高了系统的抗干扰性。
附图说明
图1为实施例中一个电子信号组的时序示意图；
图2为信号“0”、“1”、“2”、“3”所对应的时序信号的示意图；
图3为实施例中基于光子神经网络芯片进行4*4矩阵运算的系统架构示意图；
图4为4通道信号在调制实施例中的变化图；
图5为现有的传统模拟信号调制方案的架构示意图。
具体实施方式
现结合附图对方案做进一步的说明。
一种光子人工智能计算芯片的数字式信号调制方法，将一个或多个数字电信号组调制为光信号；所述数字电信号组包含若干在固定时间周期内顺序输出的时序信号；各时序信号具有相同的基础时钟与信号时间长度；传递N位数字信息的单个时序信号具有2N-1个基础时钟，时序信号中高电平信号或数字信号“1”所占的基础时钟数量值为时序信号的信号值，并且与被传递的N位数字信息值相等；所述时序信号为电信号转换光信号的调制信号。一个数字电信号组用于传递一个数据块信息，并通过时序信号将传递的数据块信息转换成了信息块；所述数据块与信息块为数组或矩阵，一个所述的数据块为一个单列多行的信号矩阵；所述信号矩阵的元素包含传递该数据块信息的数字电信号组中各时序信号的值，相邻时序信号的信号值在信号矩阵中对应代表相邻的行数据。多个数字电信号组以串行或并行的方式输出，一个数字电信号组中的各所述时序信号以串行或并行的方式输出。在图1中，一个数字电信号组包含了T1-T4四个时序信号，每个时序信号传递2bit的数字信息，需要有3个基础时钟；T1-T4的时长均相等，每个时序信号均包含有相同时长的基础时钟，并且都包含了3个基础时钟的信号时间长度，图中可见，时序信号以PWM数字信号形式展现；一个数字电信号组用于传递一个数据块信息，并通过时序信号将传递的数据块信息转换成了信息块；所述数据块与信息块为数组或矩阵，一个所述的数据块为一个单列多行的信号矩阵；所述信号矩阵的元素包含传递该数据块信息的数字电信号组中各时序信号的值，相邻时序信号的信号值在信号矩阵中对应代表相邻的行数据。所述固定时间周期是时序信号的信号时间长度整倍数，以保证信号传输效率。
具体来说，在T1时间段内，高电平信号或数字信号值为“1”所占基础时钟的数量为0，则T1时间段的时序信号的信号值为0，T1时间段的时序信号传递的数字信息为0，其PWM数字信号的时序数字信号值为“000”；
在T2时间段内，高电平信号或数字信号值为“1”所占基础时钟的数量为2，则T2时间段的时序信号的信号值为2，T2时间段的时序信号传递的数字信息为2，其PWM数字信号的时序数字信号值为“110”；
在T3时间段内，高电平信号或数字信号值为“1”所占基础时钟的数量为1，则T3时间段的时序信号的信号值为1，T3时间段的时序信号传递的数字信息为1，其PWM数字信号的时序数字信号值为“100”；
在T4时间段内，高电平信号或数字信号值为“1”所占基础时钟的数量为3，则T4时间段的时序信号的信号值为3，T4时间段的时序信号传递的数字信息为3，其PWM数字信号的时序数字信号值为“111”；
虽然图1展示了T1-T4四个时序信号在同一通道上串行输出，实际上也可以在多个通道上同时(并行)实施。本实施例以4*4矩阵运算为例，取4个输入信号为x1、x2、x3、x4，即信号矩阵为：
Figure GDA0004079668570000051
说明如何完成矩阵运算/>
Figure GDA0004079668570000052
(其中M代表一个由光子神经网络定义的4*4矩阵)。不失一般性，将图1中T1-T4四个时序信号所代表的“0”、“2”、“1”和“3”使用4个通道(并行)输入，即在包含了3个基础时钟的信号时间长度内，采用图2所示的方式同时对四个通道的进行信号调制，共同表示信号矩阵/>
Figure GDA0004079668570000053
具体来说，信号矩阵通过数字电信号组中的时序信号转换成了调制矩阵；所述调制矩阵的元素包含传递该信号矩阵的数字电信号组中各时序信号的时序数字信号值；同一通道信号中的各时序数字信号值位于调制矩阵中的同一行，相邻时序的时序数字信号值位于调制矩阵中的相邻列；本实施例中，信号矩阵
Figure GDA0004079668570000054
通过数字电信号组中的时序信号转换成为了调制矩阵/>
Figure GDA0004079668570000055
本发明还提出了一种数字式调制器，包含PWM模块与发光单元，所述PWM模块输出上述数字电信号组。发光单元的输入与PWM模块的输出相连，以将数字电信号组的电信号转换为光信号。
本发明还提出了一种基于光子神经网络芯片的系统，如图3所示，包含顺序连接的发送器11、光子神经网络芯片12与接收器13，所述发送器13包含上述数字式调制器，所述接收器包含顺序连接的光电探测器22、信号放大器23、积分器24与模数转换器25。
图3中，光子神经网络芯片12用于对数据进行矩阵运算(参见Y.Shen,et al.“Deeplearning with coherent nanophotonic circuits,”Nat.Photonics 11,441(2017).)，输出信号的幅值即为对应输入信号的幅值经过矩阵运算的结果。本实施例中，光子神经网络芯片12的传输矩阵(Transfer Matrix)为
Figure GDA0004079668570000061
将信号矩阵/>
Figure GDA0004079668570000062
经过数字调制器处理后生成的调制矩阵输入光子神经网络芯片，其后的输出为/>
Figure GDA0004079668570000063
(得到z1、z2、z3、z4这4路输出信号)。采用图3所示的方式即可获得以下矩阵相乘运算的结果/>
Figure GDA0004079668570000064
本实施例中，取传输矩阵为
Figure GDA0004079668570000065
因此传输矩阵与信号矩阵/>
Figure GDA0004079668570000066
的乘积运算结果应该为：
Figure GDA0004079668570000067
下面结合图3和图4来具体说明，如何基于本文所述的PWM数字信号调制完成上述矩阵相乘运算。事实上信号矩阵
Figure GDA0004079668570000068
经过数字调制器处理后生成的调制矩阵为/>
Figure GDA0004079668570000069
因此图3所反映的矩阵相乘运算的实际对应的是传输矩阵与调制矩阵相乘，即
Figure GDA00040796685700000610
考虑到信号在光子神经网络芯片12中的损耗，实际幅值会比计算结果低，图4中我们假设信号在光子神经网络芯片12中的损耗为20dB，则光子神经网络芯片12输出的信号为
Figure GDA0004079668570000071
图3中的接收器13用于接收光子神经网络芯片12的矩阵计算结果，并将其转化为电子数字信号，然后进行后续的存储和其他运算。这其中
光电探测器22用于接收光子神经网络芯片的12计算结果(为光信号)，并将其转化为电信号。
信号放大器23用于放大光电探测器22输出的电信号，从而弥补信号在光子神经网络芯片12中的损耗。信号在信号放大器23前后的变化可参见图4。在本实施例中，设定信号放大器的放大倍数为100，信号在信号放大器23前后的变化可参见图4，信号放大器23输出的信号为
Figure GDA0004079668570000072
积分器24用于对信号放大器23输出的电信号进行采样积分，从而使得信号放大器23输出的电信号从经过计算之后的PWM数字信号变为幅值对应结果的模拟信号。在本实施例中信号在积分器24前后的变化可参见图4，积分器24每3个时钟进行一次采样积分，输出的信号为这3个时钟内的信号的累积，即为这3个信号的和(例如：信号放大器输出调制矩阵的第一行信号的和为：9+6+5＝20)，信号放大器23输出的信号为
Figure GDA0004079668570000073
与光子神经网络芯片12进行4*4矩阵运算的理论结果完全一致。证明调制矩阵与传输矩阵A进行乘法运算，所得的结果矩阵中，同一行的全部列数据做加和运算后，与信息矩阵与同一参考矩阵A进行乘法运算对应结果矩阵的行数据是相等的。本实施例的同一时序信号中，任意两个高电平时序数字信号之间不包含低电平时序数字信号，以便于信号的识别；实际运用时，高电平信号可先于低电平信号出现，也可后于低电平信号出现，还可交替出现。由于使用的结果利用的是行数据的求和，即使高电平信号与低电平信号交替出现，也只是结果矩阵中的不同列呈现交换，不会影响行数据的求和结果。
模数转化器25用于将积分器24输出的模拟信号转化为数字信号，然后进行后续的存储和其他运算。
本发明的PWM数字信号调制原则上可以适用于任意精度的光子神经网络计算。相对已有的基于数模转换+模拟信号调制的计算方案图5而言，不需要成本和功耗较高的数模转换转换器，能够与电子芯片的数字信号直接衔接，避免了对数字信号进行数模转化时的量化误差；大大降低了对电光调制器和光探测器动态范围的要求，增加了整个光子神经网络芯片的精确度和稳定性，为光子神经网络芯片等不同光产品或系统的发展提供了一种有效思路。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳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，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (13)

1.一种光子人工智能计算芯片的数字式信号调制方法，其特征在于，将一个或多个数字电信号组调制为光信号；所述数字电信号组包含若干在固定时间周期内顺序输出的时序信号；各时序信号具有相同的基础时钟与信号时间长度；传递N位数字信息的单个时序信号具有2N-1个基础时钟，时序信号中高电平信号或数字信号“1”所占的基础时钟数量值为时序信号的信号值，并且与被传递的N位数字信息值相等；所述时序信号为电信号转换光信号的调制信号。
2.如权利要求1所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：一个数字电信号组用于传递一个数据块信息，并通过时序信号将传递的数据块信息转换成了信息块；所述数据块与信息块为数组或矩阵。
3.如权利要求2所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：一个所述的数据块为一个单列多行的信号矩阵；所述信号矩阵的元素包含传递该数据块信息的数字电信号组中各时序信号的值，相邻时序信号的信号值在信号矩阵中对应代表相邻的行数据。
4.如权利要求3所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：信号矩阵通过数字电信号组中的时序信号转换成了调制矩阵；所述调制矩阵的元素包含传递该信号矩阵的数字电信号组中各时序信号的时序数字信号值。
5.如权利要求3所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：同一时序信号中的各时序数字信号值位于调制矩阵中的同一行，相邻时序的时序数字信号值位于调制矩阵中的相邻列。
6.如权利要求4所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：所述调制矩阵与参考矩阵A进行乘法运算，所得的结果矩阵中，同一行的全部列数据须做加和运算，用以还原信息矩阵与同一参考矩阵A进行乘法运算对应结果矩阵的行数据。
7.如权利要求1所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：所述固定时间周期是时序信号的信号时间长度整倍数。
8.如权利要求1所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：同一时序信号中，任意两个高电平时序数字信号之间不包含低电平时序数字信号。
9.如权利要求1所述的一种光子人工智能计算芯片的数字式信号调制方法，其特征在于：多个数字电信号组以串行或并行的方式输出，一个数字电信号组中的各所述时序信号以串行或并行的方式输出。
10.一种数字式调制器，其特征在于：包含有PWM模块，所述PWM模块输出如权利要求1至9任一项所述的一种光子人工智能计算芯片的数字式信号调制方法中的数字电信号组。
11.如权利要求10所述的一种数字式调制器，其特征在于：还包含发光单元，发光单元的输入与PWM模块的输出相连，以将数字电信号组的电信号转换为光信号。
12.一种基于光子神经网络芯片的系统，其特征在于，包含顺序连接的发送器、光子神经网络芯片与接收器，所述发送器包含如权利要求11所述的一种数字式调制器。
13.如权利要求12所述的一种基于光子神经网络芯片的系统，其特征在于，所述接收器包含顺序连接的光电探测器、信号放大器、积分器与模数转换器。
CN201911073083.6A 2019-11-05 2019-11-05 一种光子人工智能计算芯片的数字式信号调制方法 Active CN110852431B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911073083.6A CN110852431B (zh) 2019-11-05 2019-11-05 一种光子人工智能计算芯片的数字式信号调制方法
US17/774,488 US20220405565A1 (en) 2019-11-05 2020-07-22 A digital signal modulation method for a photon artificial intelligence computing chip
PCT/CN2020/103537 WO2021088418A1 (zh) 2019-11-05 2020-07-22 一种光子人工智能计算芯片的数字式信号调制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911073083.6A CN110852431B (zh) 2019-11-05 2019-11-05 一种光子人工智能计算芯片的数字式信号调制方法

Publications (2)

Publication Number Publication Date
CN110852431A CN110852431A (zh) 2020-02-28
CN110852431B true CN110852431B (zh) 2023-03-31

Family

ID=69598082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911073083.6A Active CN110852431B (zh) 2019-11-05 2019-11-05 一种光子人工智能计算芯片的数字式信号调制方法

Country Status (3)

Country Link
US (1) US20220405565A1 (zh)
CN (1) CN110852431B (zh)
WO (1) WO2021088418A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852431B (zh) * 2019-11-05 2023-03-31 联合微电子中心有限责任公司 一种光子人工智能计算芯片的数字式信号调制方法
CN112232503B (zh) * 2020-06-09 2021-11-19 联合微电子中心有限责任公司 计算装置、计算方法以及计算系统
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009125014A2 (en) * 2008-04-09 2009-10-15 Yale University Nanomechanical photonic devices
JP2010004418A (ja) * 2008-06-23 2010-01-07 Oki Electric Ind Co Ltd 変調ビート光パルス信号生成方法及び光多重信号送受信方法、及びこれら方法を実現する装置及びシステム
CN103278203A (zh) * 2013-04-25 2013-09-04 合肥工业大学 一种高频科氏质量流量计数字信号处理系统
CN107664792A (zh) * 2016-07-28 2018-02-06 上海诺基亚贝尔股份有限公司 光信号产生器、光线路终端以及产生光信号的方法
CN108845296A (zh) * 2018-06-15 2018-11-20 中国电子科技集团公司第十四研究所 一种基于微波光子的宽带雷达射频数字接收机及信号采集与处理方法
CN109743276A (zh) * 2018-12-11 2019-05-10 中国联合网络通信集团有限公司 一种光信号调制格式的识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108599865B (zh) * 2018-04-13 2020-04-28 北京邮电大学 基于光子神经网络的信号调制格式识别方法、装置
CN108599849B (zh) * 2018-04-14 2021-01-01 上海交通大学 智能决策的光子处理系统和处理方法
US11521055B2 (en) * 2018-04-14 2022-12-06 International Business Machines Corporation Optical synapse
CN110852431B (zh) * 2019-11-05 2023-03-31 联合微电子中心有限责任公司 一种光子人工智能计算芯片的数字式信号调制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009125014A2 (en) * 2008-04-09 2009-10-15 Yale University Nanomechanical photonic devices
JP2010004418A (ja) * 2008-06-23 2010-01-07 Oki Electric Ind Co Ltd 変調ビート光パルス信号生成方法及び光多重信号送受信方法、及びこれら方法を実現する装置及びシステム
CN103278203A (zh) * 2013-04-25 2013-09-04 合肥工业大学 一种高频科氏质量流量计数字信号处理系统
CN107664792A (zh) * 2016-07-28 2018-02-06 上海诺基亚贝尔股份有限公司 光信号产生器、光线路终端以及产生光信号的方法
CN108845296A (zh) * 2018-06-15 2018-11-20 中国电子科技集团公司第十四研究所 一种基于微波光子的宽带雷达射频数字接收机及信号采集与处理方法
CN109743276A (zh) * 2018-12-11 2019-05-10 中国联合网络通信集团有限公司 一种光信号调制格式的识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Rubab Amin 等.A Guide for Material and Design Choices for Electro-Optic Modulators and recent 2D-Material Silicon Modulator Demonstrations.《ArXiv》.2018,1-8. *
侯杰.硅基可重构全光运算芯片研究.《中国博士学位论文全文数据库 基础科学辑》.2019,(第5期),A005-28. *

Also Published As

Publication number Publication date
CN110852431A (zh) 2020-02-28
US20220405565A1 (en) 2022-12-22
WO2021088418A1 (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN110852431B (zh) 一种光子人工智能计算芯片的数字式信号调制方法
CN109784486B (zh) 一种光学神经网络处理器及其训练方法
WO2020102204A1 (en) Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out
WO2020092899A1 (en) Matrix multiplication using optical processing
TW202201165A (zh) 計算系統、計算裝置及計算系統的操作方法
CN114819132B (zh) 一种基于时间-波长交织的光子二维卷积加速方法及系统
CN109784485B (zh) 一种光学神经网络处理器及其计算方法
TWI806042B (zh) 光電處理設備、系統及方法
CN115167610B (zh) 二维光子卷积加速芯片及应用系统与方法
US20240078421A1 (en) Two-dimensional photonic convolutional acceleration system and device for convolutional neural network
CN112101540B (zh) 光学神经网络芯片及其计算方法
CN114970836B (zh) 蓄水池神经网络实现方法、系统、电子设备及存储介质
CN116432726B (zh) 一种光电混合的深度神经网络运算装置和运算方法
US11934943B1 (en) Two-dimensional photonic neural network convolutional acceleration chip based on series connection structure
CN115222035B (zh) 一种光子神经网络卷积加速芯片
CN112232487B (zh) 光学神经网络芯片及其计算方法
CN113627604A (zh) 光子人工智能计算芯片的数字式信号调制方法
Krasilenko et al. Simulation of continuously logical ADC (CL ADC) of photocurrents as a basic cell of image processor and multichannel optical sensor systems
CN114706161A (zh) 一种基于频率编码的片上集成光学矩阵矢量处理器
Xu et al. Optimization of optical convolution kernel of optoelectronic hybrid convolution neural network
JPH05233859A (ja) 光ニューラルネットワークシステム
CN116029350B (zh) 基于时间交织的二维光子相干卷积加速芯片及其应用系统
CN115641494B (zh) 一种基于微环调制器的神经网络图像处理系统
Guo Photonic Tensor Machine and Multi-level Encoding and Decoding in Wavelength-Multiplexed Photonic Processors
von Hünefeld et al. Enabling optical modulation format identification using an integrated photonic reservoir and a digital multiclass classifier

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