CN111860822A - 光学神经网络的全光非线性激活函数实现方法、装置 - Google Patents

光学神经网络的全光非线性激活函数实现方法、装置 Download PDF

Info

Publication number
CN111860822A
CN111860822A CN202010696295.6A CN202010696295A CN111860822A CN 111860822 A CN111860822 A CN 111860822A CN 202010696295 A CN202010696295 A CN 202010696295A CN 111860822 A CN111860822 A CN 111860822A
Authority
CN
China
Prior art keywords
optical
signal
array
phase
optical signals
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.)
Granted
Application number
CN202010696295.6A
Other languages
English (en)
Other versions
CN111860822B (zh
Inventor
李强
田野
刘胜平
赵洋
王玮
冯俊波
郭进
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 CN202010696295.6A priority Critical patent/CN111860822B/zh
Publication of CN111860822A publication Critical patent/CN111860822A/zh
Priority to PCT/CN2021/087498 priority patent/WO2022016918A1/zh
Application granted granted Critical
Publication of CN111860822B publication Critical patent/CN111860822B/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
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/21—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  by interference
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

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

Abstract

本发明公开了一种光学神经网络的全光非线性激活函数实现方法和装置。方法包括步骤：获取待处理信号光信号、与待处理信号光信号相干的参考光信号；将待处理信号光信号与参考光信号输入至第一移相模块，第一移相模块对待处理信号光信号与参考光信号进行移相操作得到第一阵列的光学信号；将第一阵列的光学信号输入光学干涉模块，在光学干涉模块中对第一阵列的光学信号进行非线性运算得到第二阵列的光学信号，第二阵列的光学信号作为待处理的信号光信号的非线性响应输出。本发明技术方案解决了已有光学非线性函数计算单元对光功率和跨阻放大器的要求高的问题，且参数可调能提供的非线性函数灵活可控。

Description

光学神经网络的全光非线性激活函数实现方法、装置
技术领域
本发明涉及光学神经网络技术领域，具体地涉及一种全光非线性激活函数的实现方法和装置。
背景技术
在现在人工智能最热门的深度学习中，其运算过程主要涉及两个部分：矩阵乘法和非线性激活函数。非线性运算是人工神经网络具备强大表达能力的根源，可以加快网络的收敛速度、提升识别的准确率，是神经网络中不可或缺的组成部分。
用光来完成深度学习算法，其本质在于用光来实现矩阵乘法和非线性激活函数。用光来完成矩阵乘法运算，现有的办法是使用马赫-曾德尔干涉仪(MZI)阵列、微环谐振腔(MRR)阵列等来实现。而在光域中实现非线性函数则存在两个层面的巨大挑战：(1)光学非线性效应的产生一般需要较高的光功率；(2)光子人工智能芯片架构中，对非线性激活函数的灵活性要求较高，而已有光学非线性效应的控制难度大，无法满足这种灵活性上的需要。同时非线性光学单元在芯片上集成也存在工艺兼容性和器件一致性等方面的诸多问题。因此，现有的非线性激活函数运算一般在电域中进行，在电域中实现非线性激活函数，需要使用模数转换(AD)，会带来额外的功耗，同时AD有限的转换速度也可能成为整个光子人工智能计算系统的性能瓶颈。
为了用光完成非线性激活函数运算过程，一种方法是用光学矩阵乘法单元的输出来模拟非线性激活函数的输入光信号，用光学非线性单元的传输矩阵来模拟光学非线性激活函数，输入信号在光学非线性单元中的传输等效于非线性激活函数作用于输入光信号，所以光学非线性单元的输出光信号即为输入光信号的非线性响应。
为了用光学非线性单元的传输矩阵来模拟光学非线性激活函数，现有的办法主要有以下两类：(1)使用光探测器接收光学矩阵乘法单元的输出光信号，并经跨阻放大器(TIA)放大后作为调制器(MZI调制器、MRR调制器、电光调制器等)的调制电信号，调制器的输入光信号为一束连续光，调制电信号施加于调制器，可对输入光信号进行非线性调制；(2)将光学矩阵乘法单元的输出光信号分为功率大小不同的两部分(如99：1)，使用光探测器接收功率较小(如1％)部分输出光信号，并经跨阻放大器(TIA)放大后作为调制器(MZI调制器、MRR调制器、电光调制器等)的调制电信号，光矩阵乘法单元的功率较大(如99％)部分用于模拟调制器的输入光信号，调制电信号施加于调制器，可实现对自身的非线性调制。然而，这些方法对于跨阻放大器(TIA)的要求高，功耗较大。
综上所述，如何实现低功耗、高速、易于实现、具有丰富表现形式的光学非线性激活函数，是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明实施例提供了一种光学神经网络的全光非线性激活函数实现方法、装置。基于线性光学计算单元，无需利用光学非线性效应，克服了已有光学非线性函数计算单元对光功率和跨阻放大器(TIA)的高要求。
为此，本发明实施例提供如下技术方案：
根据本发明一方面，提供了一种光学神经网络的全光非线性激活函数实现方法，包括步骤：
获取待处理的信号光信号、与所述待处理的信号光信号相干的参考光信号；
将所述待处理的信号光信号与所述参考光信号输入至第一移相模块，所述第一移相模块对所述待处理的信号光信号与所述参考光信号进行移相操作得到第一阵列的光学信号；
将所述第一阵列的光学信号输入光学干涉模块，在所述光学干涉模块中对所述第一阵列的光学信号进行非线性运算得到第二阵列的光学信号，所述第二阵列的光学信号作为所述待处理的信号光信号的非线性响应输出。
需要说明的是，上述“所述第一移相模块对所述待处理的信号光信号与所述参考光信号进行移相操作”既包括第一移相模块对所述待处理的信号光信号和所述参考光信号都进行移相操作，也包括对所述待处理的信号光信号和所述参考光信号之一进行移相操作。
进一步地，所述待处理的信号光信号为光学矩阵计算单元的输出光信号。
进一步地，所述第一移相模块，包括一个或二个第一移相器，对待处理的信号光信号和参考光信号中的至少一个进行移相操作。
进一步地，所述光学干涉模块包括马赫-曾德尔干涉仪和第二移相模块，所述马赫-曾德尔干涉仪包括第一分束器和第二分束器，所述第二移相模块包括一个或二个第二移相器；所述第二移相模块设置于所述马赫-曾德尔干涉仪的上干涉臂和下干涉臂中的至少一个上；所述马赫-曾德尔干涉仪和所述第二移相模块对所述第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号；所述第一阵列的光学信号经所述第一分束器处理得到第三阵列的光学信号，所述第三阵列的光学信号经所述第二移相模块处理得到第四阵列的光学信号，所述第四阵列的光学信号经所述第二分束器处理得到第二阵列的光学信号。
进一步地，所述光学干涉模块包括第三分束器,所述第三分束器对所述第一阵列的光学信号进行非线性运算得到第二阵列的光学信号。
进一步地，上述方法还包括步骤：调整所述信号光信号与参考光信号相位差、所述参考光信号的光强度、所述第一移相器参数、所述第二移相器参数中的一个或多个。
进一步地，所述参考光信号为与所述待处理的信号光信号相干的固定光强的连续参考光信号。需要说明的是，固定光强是指光强是一个设定值，是一个常量，但并非绝对不变，在工业允许的误差范围内是略有变动的。
根据本发明一方面，提供了一种光学神经网络的全光非线性激活函数实现装置，包括非线性激活函数单元，所述非线性激活函数单元包括第一移相模块、光学干涉模块；所述第一移相模块，配置成对待处理的信号光信号的相位和参考光信号的相位中的至少一个进行移相操作得到第一阵列的光学信号；所述光学干涉模块，配置成对经所述移相模块处理得到的第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号。
进一步地，所述第一移相模块，包括一个或二个第一移相器，配置成对所述待处理的信号光信号的相位和所述参考光信号的相位中的至少一个进行移相操作；所述光学干涉模块包括马赫-曾德尔干涉仪和第二移相模块，所述马赫-曾德尔干涉仪包括第一分束器和第二分束器，所述第二移相模块包括一个或二个第二移相器；所述第二移相模块设置于所述马赫-曾德尔干涉仪的上干涉臂和下干涉臂中的至少一个上；所述马赫-曾德尔干涉仪和所述第二移相模块对所述第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号；所述第一阵列的光学信号经第一分束器处理得到第三阵列的光学信号，所述第三阵列的光学信号经第二移相模块处理得到第四阵列的光学信号，所述第四阵列的光学信号经第二分束器处理得到第二阵列光信号,所述马赫-曾德尔干涉仪的输入端用于输入所述第一阵列的光学信号，所述马赫-曾德尔干涉仪的输出端用于输出所述第二阵列的光学信号。
进一步地，作为并列方案，所述第一移相模块，包括一个或二个第一移相器，配置成对所述待处理的信号光信号和所述参考光信号的相位中的至少一个进行移相操作；所述光学干涉模块，包括第三分束器；所述第三分束器对所述第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号；所述第三分束器的输入端用于输入所述第一阵列的光学信号，所述第三分束器的输出端用于输出所述第二阵列的光学信号。
根据本发明的技术方案的光学神经网络的全光非线性激活函数实现方法和装置，基于线性光学计算单元，无需利用光学非线性效应，克服了已有光学非线性函数计算单元对光功率和跨阻放大器的高要求，同时，该方法所实现的非线性单元与现有执行线性计算的光学芯片所需工艺完全一致。线性和非线性计算都在光域中完成，使得非线性计算不再成为系统的性能瓶颈，因此也能提升光子人工智能芯片的整体运算速度。通过调整移相器参数以及参考光的光强可以实现可重构的全光非线性激活函数。该全光非线性激活函数单元基于干涉原理，可以同时对多个波长的光信号进行独立的非线性处理，多个波长信号通过波分复用方法输入该单元，通过波分解复用方法分离后再探测，或输入下一级光学神经网络。当然，实施本发明的任意一项产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，使其相对于在依据本发明实际制造的示例性装置中的其它部件变得更大。同样的，图上各个部件或模块之间的距离、连接线条是否弯曲也不代表部件之间的距离远近或连接管路的形状。在附图中，相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。在附图和相关文字说明中，不同字体或大小写的字母或单词表示相同的含义，比如φ和
Figure BDA0002591162360000071
表示相同含义。
图1为本发明实施例的一种全光非线性激活函数单元的示意图。
图2为本发明实施例的一种全光非线性激活函数单元的结构示意图。
图3为本发明实施例的一种全光非线性激活函数实现方法的示意图。
图4为本发明实施例的不同移相器参数θ条件下的对光振幅的非线性函数。
图5为本发明实施例的不同移相器参数φ和θ条件下的对光强度的非线性函数。
图6为本发明实施例的另一种全光非线性激活函数单元的结构示意图。
图7为本发明实施例的不同移相器参数φ以及参考光强度Iref条件下的对光振幅的非线性函数。
图8为本发明实施例的不同移相器参数φ以及参考光强度Iref条件下的对光强度的非线性函数。
图9为本发明实施例的一种基于线性光学计算单元实现非线性激活函数的示意图。
图10为本发明实施例的不同移相器参数θ条件下对光振幅的非线性函数实验结果。
图11为本发明实施例的不同移相器参数φ和θ条件下对光强度的非线性函数实验结果。
图12为一种基于本发明实施例的全光非线性激活函数单元实现的光学前馈神经网络计算的示意图。
图13为一种基于本发明实施例的全光非线性激活函数单元实现的光学循环神经网络计算的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。还需要说明的是，实施例中具有连接关系或进行通信或进行信号传输的不同部分和部件或模块之间设置有相应的波导或类似结构，不一一描述。
第一实施方式
根据本发明第一实施方式，提供一种光学神经网络的全光非线性激活函数实现方法。参见图1-图5、图9，图2为本发明实施例的一种全光非线性激活函数单元的结构示意图，包括一个2×2马赫-曾德尔干涉仪和两个移相器(第一移相器φ、第二移相器θ)，2×2马赫-曾德尔干涉仪由两个2×2分束器组成，移相器φ设置于马赫-曾德尔干涉仪的信号臂上，移相器θ设置于马赫-曾德尔干涉仪中的上干涉臂上。图2中的移相器φ对应于图1中的第一移相模块。图2中的两个分束器(第一分束器和第二分束器)和移相器θ对应于图1中的光学干涉模块。图2中第一移相模块输出的两路光信号对应于图1中的第一阵列的光学信号。图2中的2×2马赫-曾德尔干涉仪有两路输出，只利用其中一路作为Eout，对应图1的一路Eout，也就是第二阵列的光学信号。需要说明的是，本申请中第一阵列的光学信号、第二阵列的光学信号、第三阵列的光学信号、第四阵列的光学信号都可以分别为两路光信号或一路光信号。本实施例中第二阵列的光学信号是一路光信号Eout。其他实施例中第一、三、四阵列的光学信号为两路光学信号；第二阵列光学信号可以为两路，也可以为一路。
参见图1、图2和图3，获取光学矩阵计算单元(图中未示出)的输出信号光信号Esig和与输出信号光信号Esig相干的连续参考光信号Eref(对应步骤S1)，将光信号Esig通过输入波导输入至第一移相器φ，第一移相器φ对待处理信号光信号Esig进行移相操作，连续参考光信号Eref通过波导传输，得到第一阵列的光学信号(对应步骤S2)，将第一阵列的光学信号，输入马赫-曾德尔干涉仪和第二移相单元组成的光学干涉模块对第一阵列的光学信号进行非线性运算得到第二阵列的光学信号，所述第二阵列的光学信号Eout作为所述待处理的信号光信号Esig的非线性响应输出(对应步骤S3)。具体来说，第一阵列的光学信号输入马赫-曾德尔干涉仪，经第一分束器处理获得第三阵列的光学信号，第三阵列的光学信号一路输入马赫-曾德尔干涉仪上干涉臂上的移相器θ经过进行移相处理，第三阵列的光学信号另一路通过波导传输，得到第四阵列的光学信号，第四阵列的光学信号输入第二分束器处理后得到第二阵列的光学信号，并最终经输出波导输出信号光信号Esig的非线性响应的光信号Eout。光探测器(未示出)可接收所述非线性响应的光信号Eout，作为调制器的调制电信号，对下一级光学矩阵乘法网络层的输入光信号进行调制。
该非线性激活函数单元(包括第一移相模块和光学干涉模块)可以由一个2×2传输矩阵来描述(公式中的i为虚数单位，e为自然对数底数)：
Figure BDA0002591162360000101
上式中φ和θ分别为第一移相器和第二移相器参数。
当信号光信号Esig和参考光信号Eref同时输入全光非线性激活函数单元后，其输出可描述为
Figure BDA0002591162360000102
上式中φ0为信号光与参考光之间的相位差。
上面Eout1和Eout2均可作为该全光非线性激活函数单元的输出。以Eout1为例，其强度可描述为
Figure BDA0002591162360000111
其中Isig为信号光强度，Iref为参考光强度，*表示复共轭。本实例所提供的全光非线性激活函数结构可以实现对光振幅的非线性变换，也可以实现对光强度的非线性变换。通过调整第一移相器参数φ和第二移相器参数θ以及参考光强度Iref，可实现不同的非线性激活函数。图4为对光振幅的非线性变换曲线，纵坐标为归一化的输出光强，横坐标为归一化的输入光振幅，其中φ-φ0＝0，
Figure BDA0002591162360000112
(式中uW为光强度单位微瓦)。图4中，实线对应移相器参数θ＝0.534π(π为角度单位，1π＝180°)；虚线对应移相器参数θ＝0.789π；点划线对应移相器参数θ＝0.985π；实线加圆形标记对应移相器参数θ＝1.294π；虚线加圆形标记对应移相器参数θ＝1.454π。图5对光强度的非线性变换曲线，纵坐标为归一化的输出光强度，横坐标为归一化的输入光强度，Iref＝53uW，Isig＝[0,53uW]。图4中实线对应θ＝0.534π，φ-φ0＝π；虚线对应θ＝0.789π，φ-φ0＝π；点划线对应θ＝1.294π，φ-φ0＝0。
图10为不同移相器参数θ条件下对光振幅非线性函数的实验结果。图11为不同移相器参数φ和θ条件下对光强度非线性函数的实验结果。可见相关输出在在误差范围内，符合预期。
需要说明的是，以上实施例中仅在马赫-曾德尔干涉仪的信号臂上设置了移相器，也可在马赫-曾德尔干涉仪的信号臂和参考臂上都设置移相器，或仅仅在马赫-曾德尔干涉仪的参考臂上设置移相器，以上都可实现类似的功能。相似地，以上实施例仅在马赫-曾德尔干涉仪的上干涉臂上设置了移相器，也可在马赫-曾德尔干涉仪的上干涉臂和下干涉臂上都设置移相器，或仅仅在马赫-曾德尔干涉仪的下干涉臂上上设置移相器，也可实现类似的功能。
相对于现有技术，本发明的光学神经网络的全光非线性激活函数实现方法，基于线性光学计算单元，无需利用光学非线性效应，克服了已有光学非线性函数计算单元对光功率和TIA的高要求，本方法能降低光子人工智能芯片的功耗。同时，该方法所实现的非线性单元与现有执行线性计算的光学芯片所需工艺完全一致。线性和非线性计算都在光域中完成，使得非线性计算不再成为系统的性能瓶颈，因此也能提升光子人工智能芯片的整体运算速度；通过调整移相器参数以及参考光的光强可以实现可重构的全光非线性激活函数。此外，该全光非线性激活函数单元基于干涉原理，可以同时对多个波长的光信号进行独立的非线性处理，多个波长信号通过波分复用方法输入该单元，通过波分解复用方法分离后再探测，或输入下一级光学神经网络。
在一些实施例中，分束器可以使用定向耦合器(DC)或者多模干涉器(MMI)来实现。移相器可以是热光移相器、电光移相器或者相变材料移相器。不同的选择适应于不同的使用场景和使用需求。
在一些实施例中，光探测器接收所述非线性响应输出，作为调制器的调制电信号，对下一级光学矩阵乘法网络层的输入光信号进行调制。这样可以配合具体的使用场景组成光学神经网络实现特定功能。
在一些实施例中，对信号光信号和参考光信号相位差、参考光信号的光强度、第一移相器参数、第二移相器参数中的一个或多个进行调整，以更好地、实现更多的非线性激活函数。通过调整移相器参数以及参考光的光强等可以实现可重构的全光非线性激活函数。
在一个实施例中，参见图1、图3、图6-图8、图9，图6为本实施例提供的另一种全光非线性激活函数单元的结构示意图，包括一个2×2分束器(第三分束器)和一个移相器(第一移相器φ)，移相器φ设置于分束器的信号臂上。这里需要说明的是，本申请所称分束器的信号臂是指分束器的两个输入端中一个用于输入信号光信号的一端，所称分束器的参考臂是指分束器的两个输入端中一个用于输入参考光信号的一端。
获取光学矩阵计算单元(图中未示出)的输出信号光信号Esig和与输出信号光信号Esig相干的连续参考光信号Eref(对应步骤S1)，将信号光信号Esig通过输入波导输入至第一移相器φ，第一移相器φ对待处理信号光信号Esig进行相位调制，通过波导传输参考光信号Eref，得到第一阵列的光学信号(对应步骤S2)，将第一阵列的光学信号输入分束器(第三分束器)，分束器对第一阵列的光学信号进行非线性运算得到第二阵列的光学信号，并最终经输出波导输出信号光信号Esig的非线性响应的光信号Eout(对应步骤S3)。光探测器(未示出)可接收所述非线性响应的光信号Eout，作为调制器的调制电信号，对下一级光学矩阵乘法网络层的输入光信号进行调制。
该非线性激活函数单元可以由一个2×2传输矩阵来描述(公式中的i为虚数单位，e为自然对数底数)：
Figure BDA0002591162360000141
其中φ为第一移相器参数。
当信号光信号Esig和参考光信号Eref同时输入该非线性激活函数单元后，其输出可描述为
Figure BDA0002591162360000142
其中φ0为信号光信号与参考光信号之间的相位差。
Eout1和Eout2均可作为该非线性激活函数单元(包括第一移相器和分束器)的输出。以Eout1为例，其强度可描述为
Figure BDA0002591162360000143
其中Isig为信号光强度，Iref为参考光强度。本实例所提供的全光非线性激活函数结构可以实现对光振幅的非线性变换，也可以实现对光强度的非线性变换。通过调整移相器参数φ以及参考光强度Iref，可实现不同的非线性激活函数。参见图7，为对光振幅的非线性变换曲线，其中φ0＝0，
Figure BDA0002591162360000151
图7中，实线对应移相器参数φ＝0，
Figure BDA0002591162360000152
虚线对应移相器参数φ＝0.5π，
Figure BDA0002591162360000153
点划线对应移相器参数φ＝0.5π，
Figure BDA0002591162360000154
实线加圆形标记对应移相器参数φ＝-0.5π，
Figure BDA0002591162360000155
虚线加圆形标记对应移相器参数φ＝-0.5π，
Figure BDA0002591162360000156
参见图8，为对光强度的非线性变换曲线。图8中实线对应φ＝-0.5π，Iref＝53uW；虚线对应φ＝-0.5π，Iref＝10uW；实线对应φ＝-0.5π，Iref＝5uW。
需要说明的是，以上实施例中仅在分束器的信号臂上设置了移相器，也可在分束器的信号臂和参考臂上都设置移相器，或仅仅在分束器的参考臂上设置移相器，以上都可实现类似的功能。
相对于现有技术，本发明的光学神经网络的全光非线性激活函数实现方法，基于线性光学计算单元，无需利用光学非线性效应，克服了已有光学非线性函数计算单元对光功率和TIA的高要求,能降低光子人工智能芯片的功耗。同时，该方法所实现的非线性单元与现有执行线性计算的光学芯片所需工艺完全一致。线性和非线性计算都在光域中完成，使得非线性计算不再成为系统的性能瓶颈，因此也能提升光子人工智能芯片的整体运算速度；通过调整移相器参数以及参考光的光强可以实现可重构的全光非线性激活函数。此外，该全光非线性激活函数单元基于干涉原理，可以同时对多个波长的光信号进行独立的非线性处理，多个波长信号通过波分复用方法输入该单元，通过波分解复用方法分离后再探测，或输入下一级光学神经网络。
在一些实施中，分束器是定向耦合器或者多模干涉器，移相器可以是热光移相器、电光移相器或者相变材料移相器。不同的选择适应于不同的使用场景和使用需求。
在一些实施例中，光探测器接收所述非线性响应输出，作为调制器的调制电信号，对下一级光学矩阵乘法网络层的输入光信号进行调制。这样可以配合具体的使用场景组成光学神经网络实现特定功能。
在一些实施例中，对信号光信号和参考光信号相位差、参考光信号的光强度、第一移相器参数中的一个或多个进行调整，以更好地、实现更多的非线性激活函数。通过调整移相器参数以及参考光的光强等可以实现可重构的全光非线性激活函数。
基于上述提供的全光非线性激活函数单元结构，可以基于线性光学计算单元实现，同时可以与光学矩阵计算单元相配合构建光子神经网络架构。上述仅仅是一个全光非线性激活函数单元来说明全光非线性激活函数的实现方法。下面以具体例子，以基于线性光学计算单元实现的两种非线性激活函数，与光学矩阵计算单元相配合构建的前馈神经网络和循环神经网络来具体说明全光非线性激活函数的实现方法。
参见图9，其示出了一种基于线性光学计算单元实现非线性激活函数的示意图。所述线性光学计算单元为4×4光学矩阵计算单元，该单元由两个酉矩阵(VT和U)和一个对角矩阵(Σ)组成。所述酉矩阵和对角矩阵都是通过图2所示的马赫-曾德尔干涉仪(MZI)的阵列模拟出来，每个MZI中均包含两个移相器，移相器具体布置参见图2。基于奇异值分解(SVD分解)算法，该单元表示任意4×4矩阵进而完成线性乘加运算，实现对深度学习任务的加速。下面说明利用该光学线性计算单元如何实现非线性计算，图中黑线描述了光实际经过的路径，图中数字1-16都表示MZI,依次记为MZI-1、MZI-2、MZI-3、...、MZI-13、MZI-14、MZI-15、MZI-16。MZI-11对应于图2中的非线性激活函数单元。
一束连续光自输入端口1输入所述线性光学计算单元，在适当设置MZI单元的移相器相位的情况下(具体来说，θMZI1＝π，θMZI4＝0，θMZI6＝π/2)，该连续光能够依次经过MZI-1、MZI-4传输至MZI-6，MZI-6(分束比50：50)将输入光分为等功率的两部分光信号分别输入MZI-8(其输出为信号光信号Esig)和MZI-9(其输出为信号光Eref)。MZI-8的输出与MZI-9的输出作为MZI-11的两路输入。MZI-8的输出光信号作为信号光信号，其强度可由MZI-8中的移相器θMZI8进行调整，移相器φMZI8用于补偿移相器θMZI8调整引入的相位，相位补偿关系式为φMZI8＝φ+2π-θMZI8/2。MZI-9的输出光信号作为参考光信号，其强度可由MZI-9中的移相器θMZI9进行调整。
MZI-11作为实现非线性激活函数的结构。在适当设置MZI单元的移相器相位(具体来说，θMZI12＝π，θMZI4＝π，θMZI5＝π)，MZI-11的一路输出光信号将经过MZI-12、MZI-14、MZI-15传输，最终在输出端口1输出，其结果作为非线性激活函数的响应输出。通过调整非线性激活函数单元(即MZI-11)的移相器参数，不同强度信号光输入与产生的光输出(输出1)之间的关系可被构造成不同的非线性函数。但需要注意的是，输出1不同于权利要求1中的“信号光信号的非线性响应输出”，实际上是“信号光信号的非线性响应输出”经过MZI-12、MZI-14、MZI-15进一步处理后的信号。
当然，经过适当的调整，图中数字1-16也可对应为满足要求的分束器，仍用表示MZI-1、MZI-2、MZI-3、...、MZI-13、MZI-14、MZI-15、MZI-16表示，则MZI-11对应于图6中的非线性激活函数单元。相关原理和过程类似。
参见图12，其示出了基于本发明的非线性激活函数单元的光子前馈神经网络的示意图。待处理数据经第一电处理单元加载在第一光输入单元，对输入光信号进行调制，作为第一光子矩阵计算单元的输入光信号。输入光信号经过第一光子矩阵计算单元后输出(Esig)，与参考光信号(Eref)一同通过第一非线性计算单元(非线性激活函数单元)执行非线性运算，再经第一探测单元接收，经第二电处理单元后加载在下一层神经网络的光子矩阵计算单元。
参见图13，其示出了基于本发明实现的光子循环神经网络的示意图。待处理数据经第一电处理单元加载在第一光输入单元，对输入光信号进行调制，作为第一光子矩阵计算单元的输入光信号。输入光信号经过第一光子矩阵计算单元后输出(Esig)，与参考光信号(Eref)一同通过第一非线性计算单元(非线性激活函数单元)执行非线性运算，在经第一探测单元接收，经第二电处理单元后作为反馈信号加载在第一光输入单元。
综上，本专利提出了一种光子神经网络的全光非线性激活函数实现方法，可以实现低功耗、高速、灵活可控的非线性激活函数。可以通过光电转换或直接作为下一层级线性计算的输入。
需要注意的是，不限于上述实施例中所采用的相位以及信号光与参考光强度比例的设置，通过适当选择全光非线性激活函数单元中的移相器参数φ和θ，以及参考光的强度，可以实现其他更多的非线性激活函数，满足光子神经网络对于非线性函数多变、可重构的要求。
第二实施方式
根据本发明第二实施方式，提供一种光学神经网络的全光非线性激活函数实现装置。在一个实施例中，参见图1、图2和图9，光学神经网络的全光非线性激活函数实现装置包括非线性激活函数单元，非线性激活函数单元包括一个马赫-曾德尔干涉仪、第一移相器φ；马赫-曾德尔干涉仪由两个2×2分束器和一个第二移相器θ组成，第二移相器θ设置于马赫-曾德尔干涉仪的上干涉臂上，第一移相器φ设置于于马赫-曾德尔干涉仪的信号臂上。本实施例里的光学神经网络的全光非线性激活函数实现装置进一步的功能、工作过程、技术效果等参见上述第一实施方式的相关描述，此不赘述。
在一个实施例中，参见图1、图6和图9，光学神经网络的全光非线性激活函数实现装置包括非线性激活函数单元，非线性激活函数单元包括一个分束器、第一移相器φ。本实施例里的光学神经网络的全光非线性激活函数实现装置进一步的功能、工作过程、技术效果等参见上述第一实施方式的相关描述，此不赘述。
根据以上描述，故本发明的技术效果是：提供光学神经网络的全光非线性激活函数实现方法和装置，基于线性光学计算单元，无需利用光学非线性效应，克服了已有光学非线性函数计算单元对光功率和跨阻放大器的高要求。同时，该方法所实现的非线性单元与现有执行线性计算的光学芯片所需工艺完全一致。因此，本方法能降低光子人工智能芯片的功耗；线性和非线性计算都在光域中完成，使得非线性计算不再成为系统的性能瓶颈，因此也能提升光子人工智能芯片的整体运算速度；通过调整移相器参数以及参考光的光强等可以实现可重构的全光非线性激活函数。此外，该全光非线性激活函数单元基于干涉原理，可以同时对多个波长的光信号进行独立的非线性处理，多个波长信号通过波分复用方法输入该单元，通过波分解复用方法分离后再探测，或输入下一级光学神经网络。
以上所述仅为本申请的实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。
本领域技术人员可以理解，以上描述并不构成对装置的限定，可以包括比更多或更少的部件，或者组合某些部件，或者不同的部件布置。
需要说明的是，在本申请的描述中，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一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。对于描述或附图中编号也并意味着限制其先后顺序，比如S1/S2/S3并不限定S1/S2/S3依次执行，可能S1和S2同时执行或S2在S1之前执行。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。以上仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。在上面对本发明具体实施例的描述中，针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。涉及序数的术语或下标“一”“二”“1”“2”“n”“n-”等并不必然表示这些术语所限定的特征、要素、步骤或组件的实施顺序或者重要性程度，而仅仅是为了描述清楚起见而用于在这些特征、要素、步骤或组件之间进行标识。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种光学神经网络的全光非线性激活函数实现方法，其特征在于，包括步骤：
获取待处理的信号光信号、与所述待处理的信号光信号相干的参考光信号；
将所述待处理的信号光信号与所述参考光信号输入至第一移相模块，所述第一移相模块对所述待处理的信号光信号与所述参考光信号进行移相操作得到第一阵列的光学信号；
将所述第一阵列的光学信号输入光学干涉模块，在所述光学干涉模块中对所述第一阵列的光学信号进行非线性运算得到第二阵列的光学信号，所述第二阵列的光学信号作为所述待处理的信号光信号的非线性响应输出。
2.根据权利要求1所述的光学神经网络的全光非线性激活函数实现方法，其特征在于，所述待处理的信号光信号为光学矩阵计算单元的输出光信号。
3.根据权利要求1所述的光学神经网络的全光非线性激活函数实现方法，其特征在于，所述第一移相模块，包括：
一个或二个第一移相器，对待处理的信号光信号和参考光信号中的至少一个进行移相操作。
4.根据权利要求1所述的光学神经网络的全光非线性激活函数实现方法，其特征在于，所述光学干涉模块包括马赫-曾德尔干涉仪和第二移相模块，所述马赫-曾德尔干涉仪包括第一分束器和第二分束器，所述第二移相模块包括一个或二个第二移相器；
所述第二移相模块设置于所述马赫-曾德尔干涉仪的上干涉臂和下干涉臂中的至少一个上；
所述马赫-曾德尔干涉仪和所述第二移相模块对所述第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号；
所述第一阵列的光学信号经所述第一分束器处理得到第三阵列的光学信号，所述第三阵列的光学信号经所述第二移相模块处理得到第四阵列的光学信号，所述第四阵列的光学信号经所述第二分束器处理得到第二阵列的光学信号。
5.根据权利要求1所述的光学神经网络的全光非线性激活函数实现方法，其特征在于，所述光学干涉模块包括第三分束器，所述第三分束器对所述第一阵列的光学信号进行非线性运算得到第二阵列的光学信号。
6.根据权利要求4所述的光学神经网络的全光非线性激活函数实现方法，其特征在于，还包括步骤：调整所述待处理的信号光信号与所述参考光信号的相位差、所述参考光信号的光强度、所述第一移相器参数、所述第二移相器参数中的一个或多个。
7.根据权利要求1-6任意一项所述的光学神经网络的全光非线性激活函数实现方法，其特征在于，所述参考光信号为与所述待处理的信号光信号相干的固定光强的连续参考光信号。
8.一种光学神经网络的全光非线性激活函数实现装置，其特征在于，包括非线性激活函数单元，所述非线性激活函数单元包括第一移相模块、光学干涉模块，
所述第一移相模块，配置成对待处理的信号光信号的相位和参考光信号的相位中的至少一个进行移相操作得到第一阵列的光学信号；
所述光学干涉模块，配置成对经所述移相模块处理得到的第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号。
9.根据权利要求8的光学神经网络的全光非线性激活函数实现装置，其特征在于，
所述第一移相模块，包括一个或二个第一移相器，配置成对所述待处理的信号光信号的相位和所述参考光信号的相位中的至少一个进行移相操作；
所述光学干涉模块包括马赫-曾德尔干涉仪和第二移相模块，所述马赫-曾德尔干涉仪包括第一分束器和第二分束器，所述第二移相模块包括一个或二个第二移相器；
所述第二移相模块设置于所述马赫-曾德尔干涉仪的上干涉臂和下干涉臂中的至少一个上；
所述马赫-曾德尔干涉仪和所述第二移相模块对所述第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号；
所述第一阵列的光学信号经第一分束器处理得到第三阵列的光学信号，所述第三阵列的光学信号经第二移相模块处理得到第四阵列的光学信号，所述第四阵列的光学信号经第二分束器处理得到第二阵列光信号，
所述马赫-曾德尔干涉仪的输入端用于输入所述第一阵列的光学信号，所述马赫-曾德尔干涉仪的输出端用于输出所述第二阵列的光学信号。
10.根据权利要求8的光学神经网络的全光非线性激活函数实现装置，其特征在于，
所述第一移相模块，包括一个或二个第一移相器，配置成对所述待处理的信号光信号和所述参考光信号的相位中的至少一个进行移相操作；
所述光学干涉模块，包括第三分束器；
所述第三分束器对所述第一阵列的光学信号进行非线性运算以得到第二阵列的光学信号；
所述第三分束器的输入端用于输入所述第一阵列的光学信号，所述第三分束器的输出端用于输出所述第二阵列的光学信号。
CN202010696295.6A 2020-07-20 2020-07-20 光学神经网络的全光非线性激活函数实现方法、装置 Active CN111860822B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010696295.6A CN111860822B (zh) 2020-07-20 2020-07-20 光学神经网络的全光非线性激活函数实现方法、装置
PCT/CN2021/087498 WO2022016918A1 (zh) 2020-07-20 2021-04-15 光学神经网络的全光非线性激活函数实现方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010696295.6A CN111860822B (zh) 2020-07-20 2020-07-20 光学神经网络的全光非线性激活函数实现方法、装置

Publications (2)

Publication Number Publication Date
CN111860822A true CN111860822A (zh) 2020-10-30
CN111860822B CN111860822B (zh) 2023-09-26

Family

ID=73001991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010696295.6A Active CN111860822B (zh) 2020-07-20 2020-07-20 光学神经网络的全光非线性激活函数实现方法、装置

Country Status (2)

Country Link
CN (1) CN111860822B (zh)
WO (1) WO2022016918A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699995A (zh) * 2020-12-24 2021-04-23 中国科学院半导体研究所 基于半导体光放大器的光学激活装置
CN112882307A (zh) * 2021-03-24 2021-06-01 北京大学 一种光学神经网络全光非线性激活层及其实现方法
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
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
CN113595649A (zh) * 2021-07-19 2021-11-02 联合微电子中心有限责任公司 光学非线性激活单元、方法和光子神经网络
CN113595647A (zh) * 2021-07-21 2021-11-02 联合微电子中心有限责任公司 光子波束成形单元、发射系统和接收系统
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
CN113761468A (zh) * 2021-07-16 2021-12-07 深圳大学 一种基于数学分解理论的光学矩阵运算模块实现方法
CN113805641A (zh) * 2021-09-23 2021-12-17 联合微电子中心有限责任公司 一种光子神经网络
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
CN113935474A (zh) * 2021-12-15 2022-01-14 苏州浪潮智能科技有限公司 循环神经网络的实现方法、系统、电子设备及存储介质
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
CN115049050A (zh) * 2022-08-11 2022-09-13 北京冠邦开源智能系统工程技术有限公司 一种面向人工智能的神经单元实现方法及电路
CN115081610A (zh) * 2022-05-10 2022-09-20 清华大学 光信号处理方法及装置、电子设备及存储介质
WO2023140788A3 (en) * 2022-01-18 2023-10-12 National University Of Singapore Photonic neural network accelerator
CN118244555A (zh) * 2024-05-27 2024-06-25 武汉大学 全光非线性激活器、其实现方法、网络结构及计算芯片

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784486A (zh) * 2018-12-26 2019-05-21 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法
CN109871871A (zh) * 2019-01-16 2019-06-11 南方科技大学 基于光学神经网络结构的图像识别方法、装置及电子设备
CN110197277A (zh) * 2019-05-13 2019-09-03 浙江大学 实现数字识别的光学神经网络方法
WO2019167953A1 (ja) * 2018-03-02 2019-09-06 日本電信電話株式会社 光信号処理装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019167953A1 (ja) * 2018-03-02 2019-09-06 日本電信電話株式会社 光信号処理装置
CN109784486A (zh) * 2018-12-26 2019-05-21 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法
CN109871871A (zh) * 2019-01-16 2019-06-11 南方科技大学 基于光学神经网络结构的图像识别方法、装置及电子设备
CN110197277A (zh) * 2019-05-13 2019-09-03 浙江大学 实现数字识别的光学神经网络方法

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112699995B (zh) * 2020-12-24 2024-02-02 中国科学院半导体研究所 基于半导体光放大器的光学激活装置
CN112699995A (zh) * 2020-12-24 2021-04-23 中国科学院半导体研究所 基于半导体光放大器的光学激活装置
CN112882307A (zh) * 2021-03-24 2021-06-01 北京大学 一种光学神经网络全光非线性激活层及其实现方法
CN112882307B (zh) * 2021-03-24 2022-07-26 北京大学 一种光学神经网络全光非线性激活层及其实现方法
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
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
CN113298246B (zh) * 2021-05-27 2023-02-28 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
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
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
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
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
CN113761468B (zh) * 2021-07-16 2024-10-01 深圳大学 一种基于数学分解理论的光学矩阵运算模块实现方法
CN113761468A (zh) * 2021-07-16 2021-12-07 深圳大学 一种基于数学分解理论的光学矩阵运算模块实现方法
CN113595649A (zh) * 2021-07-19 2021-11-02 联合微电子中心有限责任公司 光学非线性激活单元、方法和光子神经网络
CN113595647A (zh) * 2021-07-21 2021-11-02 联合微电子中心有限责任公司 光子波束成形单元、发射系统和接收系统
CN113595647B (zh) * 2021-07-21 2022-08-05 联合微电子中心有限责任公司 光子波束成形单元、发射系统和接收系统
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
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
CN113805641A (zh) * 2021-09-23 2021-12-17 联合微电子中心有限责任公司 一种光子神经网络
CN113805641B (zh) * 2021-09-23 2023-08-01 联合微电子中心有限责任公司 一种光子神经网络
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
CN113935474B (zh) * 2021-12-15 2022-03-08 苏州浪潮智能科技有限公司 循环神经网络的实现方法、系统、电子设备及存储介质
WO2023109065A1 (zh) * 2021-12-15 2023-06-22 苏州浪潮智能科技有限公司 循环神经网络的实现方法、系统、电子设备及存储介质
CN113935474A (zh) * 2021-12-15 2022-01-14 苏州浪潮智能科技有限公司 循环神经网络的实现方法、系统、电子设备及存储介质
WO2023140788A3 (en) * 2022-01-18 2023-10-12 National University Of Singapore Photonic neural network accelerator
CN115081610A (zh) * 2022-05-10 2022-09-20 清华大学 光信号处理方法及装置、电子设备及存储介质
CN115049050B (zh) * 2022-08-11 2022-11-22 北京冠邦开源智能系统工程技术有限公司 一种面向人工智能的神经单元实现方法及电路
CN115049050A (zh) * 2022-08-11 2022-09-13 北京冠邦开源智能系统工程技术有限公司 一种面向人工智能的神经单元实现方法及电路
CN118244555A (zh) * 2024-05-27 2024-06-25 武汉大学 全光非线性激活器、其实现方法、网络结构及计算芯片

Also Published As

Publication number Publication date
WO2022016918A1 (zh) 2022-01-27
CN111860822B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN111860822B (zh) 光学神经网络的全光非线性激活函数实现方法、装置
CN112001487B (zh) 一种光子神经网络
CN112232504B (zh) 一种光子神经网络
Mourgias-Alexandris et al. Neuromorphic photonics with coherent linear neurons using dual-IQ modulation cells
US8295710B2 (en) Optical I-Q-modulator
US20220012582A1 (en) Neuromorphic photonics with coherent linear neurons
US11509397B2 (en) Balanced photonic architectures for matrix computations
US6101027A (en) All-optical wavelength converter using a semiconductor optical amplifier and a polarization interferometer
CN115222035B (zh) 一种光子神经网络卷积加速芯片
US20230254041A1 (en) Per-span optical fiber nonlinearity compensation using integrated photonic computing
CN114565091B (zh) 光学神经网络装置、芯片及神经网络计算的光学实现方法
CN114325932A (zh) 一种片上集成的全光神经网络光计算芯片
CN116484931B (zh) 面向神经网络的光子矩阵乘法运算装置及运算方法
CN117031630A (zh) 一种幺正光学路径模式转换器及转换方法
CN116739063A (zh) 一种基于多模干涉仪以及相干检测的神经网络加速器
CN117255967A (zh) 用于矩阵计算的平衡光子架构
Mourgias-Alexandris et al. Neuromorphic computing through photonic integrated circuits
CN113630207A (zh) 一种光子神经网络芯片
Pan et al. Microring Modulators Based Optical Matrix-matrix Multiplication Accelerators
US12126383B2 (en) IC-TROSA point-to-multipoint optical network system
CN117875376A (zh) 光学神经网络的可变增益电光非线性激活函数的实现方法
US11997436B2 (en) IC-TROSA point-to-multipoint optical network system
Pan et al. An Optical Neural Network Accelerator Based on A Dual Microring Modulator Array
Nakajima Parallel neuromorphic computing on space and wavelength division multiplexed photonic processor
WO2023162857A1 (ja) 光集積回路、情報処理装置、及び演算方法

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