CN111582468B - 光电混合智能数据生成计算系统及方法 - Google Patents
光电混合智能数据生成计算系统及方法 Download PDFInfo
- Publication number
- CN111582468B CN111582468B CN202010255311.8A CN202010255311A CN111582468B CN 111582468 B CN111582468 B CN 111582468B CN 202010255311 A CN202010255311 A CN 202010255311A CN 111582468 B CN111582468 B CN 111582468B
- Authority
- CN
- China
- Prior art keywords
- optical
- data generation
- phase modulation
- electronic
- modulation layer
- 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
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
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)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种光电混合智能数据生成计算系统及方法,其中,系统包括:电子压缩采样模块,用于非监督地学习输入数据的特征概率分布,将输入信息压缩到低维空间并进行分布采样;特征转换模块,用于将压缩采样后的电子特征信号转化为光学特征信号;全光数据生成模块,由多个无源的光学频域调制模块组成,用于将输入的光学特征信号生成全新的计算数据。该系统可以实现光速的智能数据生成,使得光电混合系统或全光机器学习能够实现非监督的智能数据生成。
Description
技术领域
本发明涉及光电计算和机器学习技术领域,特别涉及一种光电混合智能数据生成计算系统及方法。
背景技术
生成模型是机器学习中最重要的模型类别之一。该类模型能够随机生成观测数据,可以用来直接对数据建模,或者建立变量间的条件概率分布。已经能实现对图像、本文、声音等数据的自动生成。
目前,已经有了全光学衍射深度神经网络,实现了全光的机器学习判别模型。该架构通过机器学习设计优化类似于人工神经网络的多级空频域光学相位调制层以及非线性层组合,实现了手写数字、时尚产品图像分类、图片显著性分析等功能。该架构可以以光速执行基于神经网络判别模型的功能,创建了一种有效、快速的实现机器学习任务的方式。
在全光学人工神经网络中完成机器学习任务是很有前景的,因为它在并行计算能力和功率、效率方面有明显优势。全光学衍射深度神经网络提供了一种以光速使用无源元件实现衍射操作,有效的、独特的全光学机器学习模型,它的一个重要优势是能够通过使用各种高吞吐量、大面积的3D制造方法和宽视场的光学元件、检测系统来轻松扩展,能够经济高效地以可扩展、低功耗的方式实现数以亿计的神经元和数以十亿计的连接,而且具有实现各种复杂应用的潜力。
但是上述光学衍射神经网络,目前仅能实现机器学习判别类模型,在使用光学网络高速生成数据领域的工作十分有限。目前尚不能实现非监督地使用光学网络进行数据自动生成,有待解决。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种光电混合智能数据生成计算系统,该系统可以实现光速的智能数据生成,使得光电混合系统或全光机器学习能够实现非监督的智能数据生成。
本发明的另一个目的在于提出一种光电混合智能数据生成计算方法。
为达到上述目的,本发明一方面实施例提出了一种光电混合智能数据生成计算系统,包括:电子压缩采样模块,用于非监督地学习输入数据的特征概率分布,将输入信息压缩到低维空间并进行分布采样;特征转换模块,用于将压缩采样后的电子特征信号转化为光学特征信号;全光数据生成模块,由多个无源的光学频域调制模块组成,用于将输入的所述光学特征信号生成全新的计算数据。
本发明实施例的光电混合智能数据生成计算系统,通过以光速使用光学元件,执行基于机器学习非监督数据生成的功能,创建了一种有效、快速的实现图像数据生成的方式;能够通过使用各种高吞吐量、大面积的3D制造方法和宽视场的光学元件、检测系统来轻松扩展;能够经济高效地以可扩展、低功耗的方式实现大规模高速数据生成,具有实现各种复杂应用的潜力。
另外,根据本发明上述实施例的光电混合智能数据生成计算系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述电子压缩采样模块由电子神经网络全连接层组成,将输入图像数据的电子信号,非监督地压缩编码至几个特征变量,基于学习到的特征概率分布,对特征变量进行采样。
进一步地,在本发明的一个实施例中,所述特征转换模块输入的特征数值的电子信号,被转化为光学特征信号的初始强度,各点相位统一初始化,基于一定的排列模式,作为所述光学特征信号。
进一步地,在本发明的一个实施例中,所述全光数据生成模块包括:透镜,用于将光学信息进行空域和频域的转换;光学衍射相位调制层,用于对频域的光学信息进行相位调制;非线性相位调制层,用于非线性处理所调制相位。
进一步地,在本发明的一个实施例中,所述全光数据生成模块的光学衍射相位调制层使用3D打印或光刻技术进行制造,通过机器学习方法对所述光学衍射相位调制层和所述非线性相位调制层的参数进行优化。
进一步地,在本发明的一个实施例中,所述全光数据生成模块的非线性相位调制层为SBN光折变晶体,以利用所述SBN光折变晶体的电光效应和光折变效应对光学信息进行非线性调制。
进一步地,在本发明的一个实施例中,在外电场和光的作用下,所述SBN光折变晶体的晶体折射率变化为:
其中,n0是晶体原始折射率,r33是晶体的电光系数,I0是背景光强,E是加在晶体两端的电场强度,I是晶体表面在空间均匀背景强度之上的光强扰动。
为达到上述目的,本发明另一方面实施例提出了一种光电混合智能数据生成计算方法,采用上述实施例所述的系统,其中,方法包括以下步骤:建立基于变分自编码器的神经网络结构,由电子压缩编码部分和全光解码生成部分组成,获取训练集和测试集,根据所述训练集和所述测试集,通过机器学习、误差反向传播算法对所述电子编码和全光解码部分进行数值仿真训练,在训练过程中优化电子全连接层、光学衍射相位调制层和非线性相位调制层结构,并更新所述机器学习系统的全连接层和各相位调制层参数;利用3D打印或光刻技术进行加工,设计制造多级光学衍射相位调制层及非线性相位调制层,搭建光电混合智能数据生成计算系统,将输入的原始数据生成同类但风格变换的新数据,或者仅使用全光数据生成部分,通过输入低维光学特征信号,生成所述新的计算数据,以执行人工智能相关的目标任务。
本发明实施例的光电混合智能数据生成计算方法,通过以光速使用光学元件,执行基于机器学习非监督数据生成的功能,创建了一种有效、快速的实现图像数据生成的方式;能够通过使用各种高吞吐量、大面积的3D制造方法和宽视场的光学元件、检测系统来轻松扩展;能够经济高效地以可扩展、低功耗的方式实现大规模高速数据生成,具有实现各种复杂应用的潜力。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的光电混合智能数据生成计算系统的结构示意图;
图2为根据本发明一个实施例的光电混合智能数据生成计算系统的结构示意图;
图3为根据本发明实施例的实现智能数据生成功能的方法流程图;
图4为根据本发明实施例的光电混合智能数据生成计算方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的光电混合智能数据生成计算系统及系统,首先将参照附图描述根据本发明实施例提出的光电混合智能数据生成计算系统。
图1是本发明一个实施例的光电混合智能数据生成计算系统的结构示意图。
如图1所示,该光电混合智能数据生成计算系统10包括:电子压缩采样模块100、特征转换模块200和全光数据生成模块300。
其中,电子压缩采样模块100用于非监督地学习输入数据的特征概率分布,将输入信息压缩到低维空间并进行分布采样;特征转换模块200用于将压缩采样后的电子特征信号转化为光学特征信号;全光数据生成模块300由多个无源的光学频域调制模块组成,用于将输入的光学特征信号生成全新的计算数据。本发明实施例的系统10的目的在于通过光电混合方式,实现光学器件的智能数据生成的机器学习模型,利用无源光学器件实现非监督高速图像生成。
进一步地,在本发明的一个实施例中,电子压缩采样模块100由电子神经网络全连接层组成,将输入图像数据的电子信号,非监督地压缩编码至几个特征变量,基于学习到的特征概率分布,对特征变量进行采样。
可以理解的是,如图2所示,电子压缩采样模块100包括输入电子信号110,机器学习全连接层120和分布采样130,其中,机器学习全连接层120在通过反向传播的与生成模块共同训练的过程中更新参数,达到将输入的图像信息非监督地编码压缩到低维隐空间中的目的,分布采样130在已经学习到的分布中进行随机采样,输出低维特征的电子信号。
具体地,电子压缩采样模块100将输入图像的电子信号,基于非监督机器学习方法,智能压缩编码到低维特征隐空间,并基于学习到的数据分布随机采样。特征转换模块200将编码后的电信号转化为光信号,作为全光数据生成模块的光源。
进一步地,在本发明的一个实施例中,特征转换模块200输入的特征数值的电子信号,被转化为光学特征信号的初始强度,各点相位统一初始化,基于一定的排列模式,作为光学特征信号。
可以理解的是,如图2所示,特征转换模块200包括一个电光信号转换元件,将压缩采样后的电子特征信号转化为光学特征信号。
进一步地,在本发明的一个实施例中,如图2所示,全光数据生成模块300包括透镜310、光学相位调制衍射层320和非线性相位调制层330。
其中,透镜310用于将信号在空域和频域间进行转换。光学相位调制衍射层320,用于在频域进行光信号相位调制。非线性调制层330用于非线性处理所调制相位,提升系统性能。构成基于机器学习的多层非监督数据生成解码器。
进一步地,在本发明的一个实施例中,全光数据生成模块300的光学衍射相位调制层使用3D打印或光刻技术进行制造,通过机器学习方法对光学衍射相位调制层和非线性相位调制层的参数进行优化。
进一步地,在本发明的一个实施例中,全光数据生成模块300的非线性相位调制层为SBN光折变晶体,以利用SBN光折变晶体的电光效应和光折变效应对光学信息进行非线性调制。
其中,在外电场和光的作用下,SBN光折变晶体的晶体折射率变化为:
其中,n0是晶体原始折射率,r33是晶体的电光系数,I0是背景光强,E是加在晶体两端的电场强度,I是晶体表面在空间均匀背景强度之上的光强扰动。
进一步地,各个模块和透镜需要放置在合适的位置上,光学衍射相位调制层、非线性相位调制层需要在像面或傅里叶面。相位调制层间的空间距离应很近,且在前级透镜的后焦面附近,在后级透镜的前焦面附近。
进一步地,电子压缩采样模块100和全光数据生成模块300在计算机仿真过程中使用共同训练,基于梯度下降法同步更新参数。电子压缩采样模块使用KL散度作为损失函数,全光生成模块使用均方误差作为损失函数。
本发明实施例提出的基于机器学习算法的光电混合智能数据生成计算系统,在手写数字新图像生成、时尚物品新图像生成、图像风格变换等多个实验中都表现出良好的性能,验证了它在智能数据生成上的巨大优势。
下面将通过具体实施例详细介绍本发明的基于机器学习的非监督光电混合智能数据生成计算系统的建立过程,具体包括:
a)建立智能数据生成仿真模型。
确定输入图像规模,建立多级全连接层进行非监督的电子数据的压缩编码至低维隐空间,将读取的数据拟合到正态分布中,从中学习均值和方差,使用如下KL散度作为损失函数:
D[Q(z)||P(z|X)]=Ez~Q[logQ(z)-logP(z|X)]
其中P(z|X)是需要学习估计的数据分布,Q(z)估计的正态分布。在得到隐空间变量数值后进行随机采样。
对于全光数据生成模块,设定光源波长,以特征转换模块输出的隐空间变量值作为入射光的强度,入射光经过多级光学相位调制模块的调制后,输出智能生成的新图像。采用均方误差作为损失函数。
全光数据生成模块中,透镜是具有光瞳的相位变换器:
全光数据生成模块中,光学衍射相位调制层是多个衍射层的堆叠,每个衍射层用相位调制和一段空间距离的菲涅尔传播来仿真。
全光数据生成模块中,非线性相位调制层利用SBN光折变晶体的电光效应和光折变效应来仿真,在外电场和光的作用下,晶体折射率变化:
其中,n0是晶体原始折射率,r33是晶体的电光系数,I0是背景光强,E是加在晶体两端的电场强度,I是晶体表面在空间均匀背景强度之上的光强扰动。
在上述系统中,光在所有自由空间和均匀介质中的传播用菲涅尔传播进行仿真。
b)利用非监督的机器学习方法优化系统参数。
根据上述仿真模型建立机器学习网络,以待处理的图像作为输入,以待输入图像作为损失函数计算的参考,构造合适的训练集、验证集、测试集。使用最小均方误差作为损失函数,使用误差反向传播算法迭代调整电子压缩采样模块中的全连接层参数、相位调制层的参数,并通过调试隐空间维数、电光转换层排列模式、相位调制层层数等超参数,得到最佳的优化结果。
c)根据仿真优化得到的各项参数,使用3D打印或光刻技术物理制造相位调制层。
选择合适的电光转换元件、透镜、光折变晶体,并根据仿真模型正确安装硬件系统,即可实现光电混合智能数据生成的功能。
本发明的系统模型区别于现有决策类模型的光学机器学习网络,该模型完成了光电混合的智能数据生成任务。它采用全光的数据生成模块,在非监督情况下支持高速、大通量生成新数据。它使用光折变晶体等非线性光学器件,加入非线性调制层,使得光学生成网络获得更好的生成效果。
进一步地,系统的各项参数通过建立光电混合仿真模型、利用机器学习方法优化得到。具体地,图3为根据本发明一个实施例的实现智能数据生成功能的方法流程图。如图3所示,方法包括以下步骤:
1、建立基于机器学习的光电混合非监督数据生成模型。
2、建立全光相位调制层的数值仿真模型。
3、构造、选择合适的训练集、验证集、测试集。
4、建立非监督生成机器学习网络,使用误差反向传播算法优化模型参数。
5、物理制造系统模型,安装硬件系统,实现需要完成的功能。
根据本发明实施例提出的光电混合智能数据生成计算系统,通过以光电混合方式,实现机器学习生成类模型,创建了一种高速、非监督的智能数据生成方式;能够通过使用各种高通量、大面积的3D制造方法和宽视场的光学元件、检测系统来轻松扩展;能够经济高效地以可扩展、低功耗的方式实现大规模智能数据生成,具有广阔的用途。
其次参照附图描述根据本发明实施例提出的光电混合智能数据生成计算方法。
图4是本发明一个实施例的光电混合智能数据生成计算方法的流程图。
如图4所示,该光电混合智能数据生成计算方法,采用上述实施例的系统,其中,方法包括以下步骤:
在步骤S401中,建立基于变分自编码器的神经网络结构,由电子压缩编码部分和全光解码生成部分组成,获取训练集和测试集,根据训练集和测试集,通过机器学习、误差反向传播算法对电子编码和全光解码部分进行数值仿真训练,在训练过程中优化电子全连接层、光学衍射相位调制层和非线性相位调制层结构,并更新机器学习系统的全连接层和各相位调制层参数;
在步骤S402中,利用3D打印或光刻技术进行加工,设计制造多级光学衍射相位调制层及非线性相位调制层,搭建光电混合智能数据生成计算系统,将输入的原始数据生成同类但风格变换的新数据,或者仅使用全光数据生成部分,通过输入低维光学特征信号,生成新的计算数据,以执行人工智能相关的目标任务。
需要说明的是,前述对光电混合智能数据生成计算系统实施例的解释说明也适用于该实施例的光电混合智能数据生成计算方法,此处不再赘述。
根据本发明实施例提出的光电混合智能数据生成计算方法,通过以光速使用光学元件,执行基于机器学习非监督数据生成的功能,创建了一种有效、快速的实现图像数据生成的方式;能够通过使用各种高吞吐量、大面积的3D制造方法和宽视场的光学元件、检测系统来轻松扩展;能够经济高效地以可扩展、低功耗的方式实现大规模高速数据生成,具有实现各种复杂应用的潜力。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种光电混合智能数据生成计算系统,其特征在于,包括:
电子压缩采样模块,用于非监督地学习输入数据的特征概率分布,将输入信息压缩到低维空间并进行分布采样;
特征转换模块,用于将压缩采样后的电子特征信号转化为光学特征信号;以及
全光数据生成模块,由多个无源的光学频域调制模块组成,用于将输入的所述光学特征信号生成全新的计算数据;
其中,所述全光数据生成模块包括:
透镜,用于将光学信息进行空域和频域的转换;
光学衍射相位调制层,用于对频域的光学信息进行相位调制;
非线性相位调制层,用于非线性处理所调制相位。
2.根据权利要求1所述的系统,其特征在于,所述电子压缩采样模块由电子神经网络全连接层组成,将输入图像数据的电子信号,非监督地压缩编码至几个特征变量,基于学习到的特征概率分布,对特征变量进行采样。
3.根据权利要求1所述的系统,其特征在于,所述特征转换模块输入的特征数值的电子信号,被转化为光学特征信号的初始强度,各点相位统一初始化,基于一定的排列模式,作为所述光学特征信号。
4.根据权利要求1所述的系统,其特征在于,所述全光数据生成模块的光学衍射相位调制层使用3D打印或光刻技术进行制造,通过机器学习方法对所述光学衍射相位调制层和所述非线性相位调制层的参数进行优化。
5.根据权利要求1或3所述的系统,其特征在于,所述全光数据生成模块的非线性相位调制层为SBN光折变晶体,以利用所述SBN光折变晶体的电光效应和光折变效应对光学信息进行非线性调制。
7.一种光电混合智能数据生成计算方法,其特征在于,采用如权利要求1-6任一项所述的系统,其中,方法包括以下步骤:
建立基于变分自编码器的神经网络结构,由电子压缩编码部分和全光解码生成部分组成,获取训练集和测试集,根据所述训练集和所述测试集,通过机器学习、误差反向传播算法对所述电子编码和全光解码部分进行数值仿真训练,在训练过程中优化电子全连接层、光学衍射相位调制层和非线性相位调制层结构,并更新机器学习系统的全连接层和各相位调制层参数;
利用3D打印或光刻技术进行加工,设计制造多级光学衍射相位调制层及非线性相位调制层,搭建光电混合智能数据生成计算系统,将输入的原始数据生成同类但风格变换的新数据,或者仅使用全光数据生成部分,通过输入低维光学特征信号,生成所述新的计算数据,以执行人工智能相关的目标任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010255311.8A CN111582468B (zh) | 2020-04-02 | 2020-04-02 | 光电混合智能数据生成计算系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010255311.8A CN111582468B (zh) | 2020-04-02 | 2020-04-02 | 光电混合智能数据生成计算系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582468A CN111582468A (zh) | 2020-08-25 |
CN111582468B true CN111582468B (zh) | 2022-08-09 |
Family
ID=72122475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010255311.8A Active CN111582468B (zh) | 2020-04-02 | 2020-04-02 | 光电混合智能数据生成计算系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582468B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL303879A (en) * | 2020-12-30 | 2023-08-01 | Asml Netherlands Bv | A modular automatic coder model for estimating parameters of production processes |
CN114519403B (zh) * | 2022-04-19 | 2022-09-02 | 清华大学 | 基于片上衍射神经网络的光学图神经分类网络、方法 |
CN115021826B (zh) * | 2022-04-29 | 2024-04-16 | 清华大学 | 光计算通信智能编解码计算系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958475A (zh) * | 2017-12-19 | 2018-04-24 | 清华大学 | 基于深度学习生成网络的变角度光照层析方法及装置 |
KR20180063835A (ko) * | 2016-12-02 | 2018-06-12 | 한국전자통신연구원 | 변형 광학 뉴럴 네트워크를 이용하는 홀로그램 영상 재생 장치 |
KR20180064884A (ko) * | 2016-12-06 | 2018-06-15 | 한국전자통신연구원 | 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 |
CN110309916A (zh) * | 2019-06-05 | 2019-10-08 | 清华大学 | 多级空频域调制非线性全光学深度学习系统及方法 |
CN110334804A (zh) * | 2019-06-20 | 2019-10-15 | 清华大学 | 基于空间部分相干光的全光深度衍射神经网络系统及方法 |
-
2020
- 2020-04-02 CN CN202010255311.8A patent/CN111582468B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180063835A (ko) * | 2016-12-02 | 2018-06-12 | 한국전자통신연구원 | 변형 광학 뉴럴 네트워크를 이용하는 홀로그램 영상 재생 장치 |
KR20180064884A (ko) * | 2016-12-06 | 2018-06-15 | 한국전자통신연구원 | 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 |
CN107958475A (zh) * | 2017-12-19 | 2018-04-24 | 清华大学 | 基于深度学习生成网络的变角度光照层析方法及装置 |
CN110309916A (zh) * | 2019-06-05 | 2019-10-08 | 清华大学 | 多级空频域调制非线性全光学深度学习系统及方法 |
CN110334804A (zh) * | 2019-06-20 | 2019-10-15 | 清华大学 | 基于空间部分相干光的全光深度衍射神经网络系统及方法 |
Non-Patent Citations (3)
Title |
---|
Analysis of Diffractive Optical Neural Networks and Their Integration With Electronic Neural Networks;Deniz Mengu etc.;《IEEE JOURNAL OF SELECTED TOPICS IN QUANTUM ELECTRONICS》;20200228;全文 * |
深度学习算法及其在光学的应用;周宏强等;《红外与激光工程》;20191230;第48卷(第12期);全文 * |
计算光场成像;方璐,戴琼海;《光学学报》;20200130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582468A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Tackling photonic inverse design with machine learning | |
CN111582468B (zh) | 光电混合智能数据生成计算系统及方法 | |
Jiang et al. | Deep neural networks for the evaluation and design of photonic devices | |
Li et al. | Class-specific differential detection in diffractive optical neural networks improves inference accuracy | |
Dong et al. | Optical reservoir computing using multiple light scattering for chaotic systems prediction | |
CN110334804B (zh) | 基于空间部分相干光的全光深度衍射神经网络系统及方法 | |
CN110309916B (zh) | 多级空频域调制非线性全光学深度学习系统及方法 | |
Piccinotti et al. | Artificial intelligence for photonics and photonic materials | |
CN111582435B (zh) | 基于残差网络的衍射深度神经网络系统 | |
CN109784486A (zh) | 一种光学神经网络处理器及其训练方法 | |
CN115545173A (zh) | 用于信号处理的光调制神经元及全光衍射神经网络方法 | |
CN109784485A (zh) | 一种光学神经网络处理器及其计算方法 | |
CN111898316A (zh) | 一种超表面结构设计模型的构建方法及其应用 | |
Xu et al. | Software-defined nanophotonic devices and systems empowered by machine learning | |
Nguimdo et al. | Impact of optical coherence on the performance of large-scale spatiotemporal photonic reservoir computing systems | |
Freire et al. | Artificial neural networks for photonic applications—from algorithms to implementation: tutorial | |
CN112214719A (zh) | 一种利用级联深度神经网络的介质超表面逆向设计算法 | |
CN116300075B (zh) | 基于多头串联神经网络的层状纳米光子学器件设计方法 | |
CN114519403B (zh) | 基于片上衍射神经网络的光学图神经分类网络、方法 | |
CN115169235A (zh) | 一种基于改进生成对抗网络的超表面单元结构逆设计方法 | |
Lv et al. | Identification of diffracted vortex beams at different propagation distances using deep learning | |
Fang et al. | Orbital angular momentum-mediated machine learning for high-accuracy mode-feature encoding | |
Zhou et al. | Physics-aware roughness optimization for diffractive optical neural networks | |
Feng et al. | Optical Neural Networks for Holographic Image Recognition | |
Noureen et al. | Deep Learning based Sequence Modeling for Optical response retrieval of photonic nanostructures |
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 |