CN111949067B - 达曼卷积光计算机 - Google Patents

达曼卷积光计算机 Download PDF

Info

Publication number
CN111949067B
CN111949067B CN201910398374.6A CN201910398374A CN111949067B CN 111949067 B CN111949067 B CN 111949067B CN 201910398374 A CN201910398374 A CN 201910398374A CN 111949067 B CN111949067 B CN 111949067B
Authority
CN
China
Prior art keywords
convolution
dammann
light modulator
spatial light
convex lens
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
CN201910398374.6A
Other languages
English (en)
Other versions
CN111949067A (zh
Inventor
缪超峰
周常河
余俊杰
闫钰
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.)
Shanghai Institute of Optics and Fine Mechanics of CAS
Original Assignee
Shanghai Institute of Optics and Fine Mechanics of CAS
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 Shanghai Institute of Optics and Fine Mechanics of CAS filed Critical Shanghai Institute of Optics and Fine Mechanics of CAS
Priority to CN201910398374.6A priority Critical patent/CN111949067B/zh
Publication of CN111949067A publication Critical patent/CN111949067A/zh
Application granted granted Critical
Publication of CN111949067B publication Critical patent/CN111949067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06E—OPTICAL COMPUTING DEVICES; COMPUTING DEVICES USING OTHER RADIATIONS WITH SIMILAR PROPERTIES
    • G06E3/00—Devices not provided for in group G06E1/00, e.g. for processing analogue or hybrid data
    • G06E3/001—Analogue devices in which mathematical operations are carried out with the aid of optical or electro-optical elements
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Nonlinear Science (AREA)
  • Optics & Photonics (AREA)
  • Image Analysis (AREA)
  • Lenses (AREA)

Abstract

一个达曼卷积光计算机，由n个神经网络串联构成，n为正整数，每一神经网络包括输入部分、卷积层部分和输出部分，本发明的卷积过程由纯光学信息处理结构完成。本发明具有高效率、大容量、可级联性和良好的空间拓展性等优点，充分发挥光学的并行计算能力，是未来光计算的重要发展方向。

Description

达曼卷积光计算机
技术领域
本发明涉及计算机，是一种基于达曼光栅的达曼卷积光计算机，利用达曼光栅的分束特性对神经网络进行并行快速光卷积计算。
背景技术
目前计算机CPU制造工艺，最先进的做到了7nm，在实验室环境下，可进一步将制造工艺突破至1.5nm或3nm。随着制造工艺的越来越小，其“瓶颈效应”越来越明显，摩尔定律在未来的指导作用并不明朗。由于现在人工智能、神经网络的出现需要进行的海量数据运算。海量的卷积运算需求对擅长串行处理的电子计算机造成巨大的计算压力，需要消耗大量的资源。想要提升其计算性能以适应人工智能神经网络的需求，其根本途径就是发挥光学的高速并行性运算替代电子计算机的串行运算。相对于电子计算机，光学方法由于不带有电荷，良好的抗干扰性，带宽宽，信息容量大，运算速度快等特性，最突出的优点在于可进行高速并行运算特性，这是目前电子计算机不具有的。光学卷积计算机有可能满足现在人工智能网络和神经网络的并行计算要求，是未来发展的必然趋势。
上世纪80年代，以美国贝尔实验室等为代表的研究机构掀起了光计算研究热潮。由于光计算不擅长做逻辑运算，所以在80年代中期，光计算渐渐不具有优势，虽然人们也意识到了电子计算机不具备并行处理的优势。
光计算由于人工智能和神经网络的发展，国际上已经有部分研究机构和公司已经开始研究光学的方法实现神经网络。比如美国的麻省理工学院最近提出在芯片上完成光互联的结构，试图构建56个Mach–Zehnder干涉仪实现并行光计算【参见先技术1：Shen,Y etal.,Nature Photonics 11,441–446(2017)】。该方案通过并行的节点功能代替计算机串行计算的功能，但是该方案存在没有充分利用光学的并行性，能耗较大，要实现大容量数据计算依然存在不小挑战。
同时，加州大学洛杉矶分校的科学家在Science上发表了论文【参见在先技术2：X,Lin et al.,Science.361,6406,1004-1008(2018)】，提出用多层卷积结构配合层间光学衍射的方法，实现光学卷积神经网络。但是其固有的亚波长多台阶结构难以实现，其验证方案是针对太赫兹采用3D打印来实现，这种亚波长复杂结构对可见光波段难以实现。同时，斯坦福大学用光学非相干傅立叶变换系统实现光学神经网络【参见在先技术3：J,Chang etal.,Scientific Reports,8,12324(2018)】，但是其系统利用的是固定卷积核，难以实现动态可控计算。
发明内容
本发明要解决的技术问题：提供一种基于达曼光栅的达曼卷积光计算机。系统主要的是神经网络主要包含三层：输入层、卷积层、输出层或者隐含层。其中最重要的部分是卷积层，我们用光学方式进行卷积，与其他结构不同的是系统结构中采用了达曼光栅实现输入矩阵的复制，然后通过调制端加载被卷积矩阵，最后通过聚光镜求和实现卷积计算，本发明依靠达曼光栅高效率分束的特性，利用达曼光栅在输入层与输出层之间完成卷积运算。本发明系统的输出层的输出结果可作为下一个输入层的输入信号，可完成光学卷积神经网络的级联功能。而且整个系统是并行运算，计算效率高，能耗低。系统运行速度基本以光速进行，光可以同时通过多层级联结构，运算速度快，有可能满足下一代人工智能所需要的海量并行运算的需求。
本发明的技术解决方案如下：
一种达曼卷积光计算机，其特点在于包括n个神经网络串联构成，每一神经网络包括输入部分、卷积层部分和输出部分，上一神经网络的输出部分即为下一神经网络层的输入部分，所述的神经网络的构成沿入射光方向依次是输入部分、第一凸透镜、达曼光栅、第二凸透镜、空间光调制器、平凸柱面透镜和CCD相机，所述的输入部分、第一凸透镜、达曼光栅、第二凸透镜和空间光调制器构成4F结构系统，所述的卷积部分包括第一凸透镜、达曼光栅、第二凸透镜和空间光调制器，所述的输出部分包括平凸柱面透镜和CCD相机，所述的n为1以上的正整数。
所述的达曼光栅的分束比可以为1×3至1×128的一维达曼光栅，或是3×3至128×128的二维达曼光栅。
所述的输入部分是主动发光的发光二极管(LED)或数字投影处理器(DLP)，或被动调制的光调制器如空间光调制器或数字微镜阵列(DMD)。
所述的达曼光栅(3)可用其他具有达曼卷积功能的分束衍射元件替换。
所述的输出部分的光收集元件是平凸柱面透镜，或微透镜阵列。
本发明的技术效果：
本发明基于达曼光栅的全光学神经网络结构，可以实现输入层与输出层之间的全光学互联快速卷积运算的功能。这种光学卷积结构具有良好的并行处理能力。由于同一波长的光信号同时传播时彼此之间不会相互干扰，通过衍射光学元件(达曼光栅)实现信号单次通过系统实现多路并行卷积运算。抗干扰性能好。同时，该结构具有极快的运算速度，由于光在真空中的传播速度接近3*108m/s，整个系统的运算速度几乎以光速进行，卷积计算速度远远快于电子计算机。此外，该结构具有良好的空间拓展能力，整个系统的结构简单，容易在空间进行复制，且计算产生的热量少，系统散热性能好。可在一个空间内搭建大规模的神经网络卷积结构。
附图说明
图1是本发明达曼卷积光计算机框图
图2是本发明达曼卷积光计算机实施例1单层神经网络结构示意图
图3是分束比为1×5的达曼卷积光计算机的卷积流程图
具体实施方式
先请参阅图1，图1是本发明达曼卷积光计算机框图，本发明达曼卷积光计算机包括输入层、卷积层和输出层或隐含层。若系统为多层神经网络，则上一层神经网络的输出层为下一层神经网络的输入层，即为隐含层。
实施例：单一神经网络达曼卷积光计算机
图2是本发明达曼卷积光计算机实施例1单一神经网络结构示意图，由图可见，该实施例n＝1，单一神经网络达曼卷积光计算机，神经网络包括输入部分、卷积层部分和输出部分所述的神经网络沿入射光方向依次是输入部分1、第一凸透镜2、达曼光栅3、第二凸透镜4、空间光调制器5、平凸柱面透镜6和CCD相机7，所述的输入部分1、第一凸透镜2、达曼光栅3、第二凸透镜4和空间光调制器5构成4F结构系统，所述的卷积部分包括第一凸透镜2、达曼光栅3、第二凸透镜4和空间光调制器5，所述的输出部分包括平凸柱面透镜6和CCD相机7。
输入层1是一个主动发光单元，可以是LED、DLP、也可以是被动调光器件，如空间光调制器(Spatial Light Modulator,SLM)，DMD等，对输入单色面光源进行调制加载输入信号。输入层的元件放置在第一凸透镜2的前焦面上，输入层输入的编码光信号透过第一凸透镜2，输入编码光信号相当于做了一个傅里叶变化，在第一个凸透镜2的后焦面上会形成输入光信号的光谱。
在第一个凸透镜2的后焦点处放置衍射光学元件达曼光栅3，实现输入光信号以一对多的关系复制到具有光调制功能的空间光调制器5上。
第一凸透镜2的后焦面是第二凸透镜4的前焦面，输入编码光信号就会被达曼光栅3按其分束特性以一定阵列排列复制到第二凸透镜4的后焦面上，第二凸透镜4的后焦面上放置空间光调制器5。调制端是由振幅型空间光调制器5(SLM)实现，其上加载卷积神经网络的系数矩阵。系数矩阵是第一层节点和第二层节点之间的分布系数比值关系。通过达曼光栅3输入的节点可以被复制到系数矩阵上，通过与对应位置的系数矩阵的点乘，然后根据一定规则求和即可得到最终卷积结果。
在所述的空间光调制器5后放置一个平凸柱面透镜6，由于平凸柱面透镜6只在单个方向上对信号进行收集，在与之垂直的方向上对光信号不起作用。若输入信号为X方向排列的光信号，在平凸柱面透镜6的后焦面上可以形成一个Y方向排布的信号阵列，即为系统输入层与卷积层进行全卷积的结果。
当系统为单层神经网络，在平凸柱面透镜6的后焦面上放置一个CCD相机7，用来收集第一层神经网络的输出结果。
当系统为多层光神经网络时，上一神经网络的输出结果可作为下一神经网络的输入，依次进行并行卷积运算。在最后一层神经网络的输出层后焦面上放置CCD相机7以收集系统卷积结果。
本发明具有良好的级联特性，方便进行空间拓展。基于此可以构建多层神经网络，以实现多层卷积功能。同时也可通过电子学反馈加载，形成光电混合卷积神经网络，实现多层卷积功能。
这里以系统计算卷积信号C＝A*B为例，其中A＝[a,b,c]T，B＝[d,e,f]T，叙述达曼卷积光计算机实现卷积计算的过程。请参看图2，输入层1的输入信号矩阵为A＝[a,b,c]T，通过第一凸透镜2，其焦面上得到傅立叶谱。同时，焦面上放置有达曼光栅3，其傅立叶谱与达曼光栅实现点积，然后再经过第二凸透镜4，得到3×5的复制矩阵A1，即
Figure BDA0002058920220000051
调制端第二空间光调制器5放置在第二凸透镜4的后焦面上，第二空间光调制器5上加载有相应的系数矩阵B1，实现对输入信号的光强度调制，使输入信号与系数矩阵进行点乘运算。其中，第二空间光调制器5上加载的信号为：
Figure BDA0002058920220000052
经过第二空间光调制器5后的信号C1为A1和B1两个信号的点乘，即为：
Figure BDA0002058920220000053
在第二空间光调制器5后方放有平凸柱面透镜6，平凸柱面透镜镜6可对垂直方向上的信号进行汇聚，在水平方向不起作用，实现对调制端第二空间光调制器5点积后的输出信号进行垂直方向上的求和，实现最终卷积输出。在平凸柱面透镜6后焦面上得到最终的卷积输出矩阵。可在平凸柱面透镜6的后焦面上放置CCD相机7，接收端也可以为光电探测器阵列。接收端通过光电转换得到最终的卷积输出矩阵，即C＝A*B：
C＝[a·d a·e+b·d a·f+b·e+c·d b·f+c·e c·f]
上述光学卷积计算过程可以通过图3来描述，即整个过程分为输入层复制，调制端点乘，然后柱面镜求和实现最终卷积计算。
实施例1：
以下以基于1×5的达曼光栅的单层神经网络计算卷积信号C＝A*B为例，其中A＝[a,b,c]T，B＝[d,e,f]T。
系统结构参看图2，系统输入层1由633nm光源和空间光调制器构成。633nm光源由He-Ne激光器产生，经耦合扩束成面光源后经过第一空间光调制器。空间光调制器为德国Holoeye公司型号为LC2012透射式空间光调制器，其分辨率为1024×768，支持8位256阶灰度，光谱范围为420nm-850nm，可支持60HZ刷新频率。其单像素大小为36um。以4个像素为1编码单元，在相应位置上写入输入信号A，面光源通过空间光调制器16，实现系统输入信号A的加载。
第一凸透镜2的通光口径为50mm，焦距为60mm。由第一空间光调制器输入的编码平行光信号经过第一凸透镜2，第一凸透镜2对输入信号A＝[a,b,c]T进行傅里叶变化，输入信号被聚焦到第一凸透镜2后方60mm处的焦面上，形成输入信号的频谱。
在第一凸透镜2后方60mm处的后焦面上放置着一块1×5的达曼光栅3，其周期为263.7um。达曼光栅3将输入信号的频谱在x方向上进行1×5的展开，形成0、±1和±2的5个光强均匀的子衍射级次频谱。
达曼光栅3位于第二凸透镜4之前60mm的前焦面上，第二凸透镜4的通光孔径为50mm，焦距为60mm。将透过达曼光栅3的频谱信号进行反傅里叶变换，输出在X方向上进行排列的3×5的输入信号的复制矩阵A1。
Figure BDA0002058920220000061
调制端为相同型号的LC2012第二空间光调制器5，放置在第二凸透镜4后方60mm处的后焦面上。第二空间光调制器5可通过预先加载系数矩阵B1，控制各个像素的空间透射率。在凸透镜4输出的3×5输入信号的对应位置写入相应的系数矩阵B1，实现对输入信号的光强度调制，使输入信号与系数矩阵进行点乘运算。第二空间光调制器5上加载的对应系数矩阵信号B1为：
Figure BDA0002058920220000062
经过调制端的第二空间光调制器5后的信号C1为A1和B1两个信号的点乘运算，即点乘输出矩阵C1为：
Figure BDA0002058920220000063
在调制端的第二空间光调制器5后方放有平凸柱面透镜6，其焦距为100mm。平凸柱面透镜镜6可对水平方向进行扇出作用，在垂直方向不起作用，实现对调制端5的第二空间光调制器点积后的输出信号进行垂直方向上的叠加，实现卷积运算。在平凸柱面透镜6后方100mm处的后焦面上形成系统输出信号C，即为信号A和B的卷积结果C＝A*B：
C＝[a·d a·e+b·d a·f+b·e+c·d b·f+c·e c·f]
在平凸柱面透镜5后方100mm焦面上放有工业级CCD相机7，分辨率1600×1200，单像素尺寸为4.5um，实现对神经网络卷积输出信号C的采集。

Claims (5)

1.一种达曼卷积光计算机，其特征在于包括n级神经网络，所述n级神经网络串联构成，每一级神经网络包括输入部分、卷积层部分和输出部分，上一级神经网络的输出部分即为下一级神经网络层的输入部分，所述的神经网络沿入射光方向依次是输入部分(1)、第一凸透镜(2)、达曼光栅(3)、第二凸透镜(4)、空间光调制器(5)、平凸柱面透镜(6)和CCD相机(7)，所述的输入部分(1)、第一凸透镜(2)、达曼光栅(3)、第二凸透镜(4)和空间光调制器(5)构成4F结构系统，所述的卷积层部分包括第一凸透镜(2)、达曼光栅(3)、第二凸透镜(4)和空间光调制器(5)，所述的输出部分包括平凸柱面透镜(6)，最后一级神经网络的输出部分的后焦面上放有CCD相机(7)，用于收集系统卷积信号，所述的n为正整数；
其中，达曼卷积光计算机实现卷积计算的过程为：输入部分(1)的输入信号矩阵为A＝[a,b,c]T，通过第一凸透镜(2)，在焦面上得到傅里叶谱，焦面上放置有达曼光栅(3)，该傅里叶谱与达曼光栅(3)实现点积，然后经过第二凸透镜(4)得到3×5的复制矩阵A1，即
Figure FDA0004071992190000011
调制端空间光调制器(5)放置在第二凸透镜(4)的后焦面上，空间光调制器(5)上加载有相应的系数矩阵B1，实现对输入信号的光强度调制，使输入信号与系数矩阵进行点乘运算；其中，空间光调制器(5)上加载的信号为：
Figure FDA0004071992190000012
经过空间光调制器(5)后的信号C1为A1和B1两个信号的点乘，即为：
Figure FDA0004071992190000013
在空间光调制器(5)后方放有平凸柱面透镜(6)，平凸柱面透镜(6)对垂直方向上的信号进行汇聚，在水平方向不起作用，实现对调制端空间光调制器(5)点积后的输出信号进行垂直方向上的求和，实现最终卷积输出，在平凸柱面透镜(6)后焦面上得到最终的卷积输出矩阵。
2.根据权利要求1所述的达曼卷积光计算机，其特征在于所述的达曼光栅(3)可以是分束比为1×3至1×128的一维达曼光栅，或分束比为3×3至128×128的二维达曼光栅。
3.根据权利要求1所述的达曼卷积光计算机，其特征在于所述的输入部分(1)是发光二极管、数字投影处理器、空间光调制器或数字微镜阵列中的其中一种。
4.根据权利要求1所述的达曼卷积光计算机，其特征在于所述的达曼光栅(3)可用其他具有达曼卷积功能的分束衍射元件替换。
5.根据权利要求1至4任一项所述的达曼卷积光计算机，其特征在于所述的输出部分的光收集元件是平凸柱面透镜或微透镜阵列。
CN201910398374.6A 2019-05-14 2019-05-14 达曼卷积光计算机 Active CN111949067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910398374.6A CN111949067B (zh) 2019-05-14 2019-05-14 达曼卷积光计算机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910398374.6A CN111949067B (zh) 2019-05-14 2019-05-14 达曼卷积光计算机

Publications (2)

Publication Number Publication Date
CN111949067A CN111949067A (zh) 2020-11-17
CN111949067B true CN111949067B (zh) 2023-04-18

Family

ID=73335602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910398374.6A Active CN111949067B (zh) 2019-05-14 2019-05-14 达曼卷积光计算机

Country Status (1)

Country Link
CN (1) CN111949067B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118313426B (zh) * 2024-06-07 2024-08-16 东南大学 一种光学卷积装置及其工作方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5544280A (en) * 1993-06-07 1996-08-06 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Unipolar terminal-attractor based neural associative memory with adaptive threshold
US5629802A (en) * 1995-01-05 1997-05-13 The United States Of America As Represented By The Secretary Of The Air Force Spatially multiplexed optical signal processor
US6314210B1 (en) * 1997-05-12 2001-11-06 Olympus Optical Co., Ltd. Multiplexing optical system
CN101080727A (zh) * 2004-10-18 2007-11-28 秦内蒂克有限公司 光学相关设备和方法
CN102354056A (zh) * 2011-10-27 2012-02-15 中国科学院上海光学精密机械研究所 高功率高光束质量光学相控阵扫描装置
CN102385169A (zh) * 2011-11-29 2012-03-21 中国科学院上海光学精密机械研究所 三维达曼阵列产生器
CN109254350A (zh) * 2018-10-26 2019-01-22 上海交通大学 平铺型光子神经网络卷积层芯片

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000072267A1 (en) * 1999-05-19 2000-11-30 Lenslet, Ltd. Image compression
WO2005026843A2 (en) * 2003-09-12 2005-03-24 Carl Zeiss Smt Ag Illumination system for a microlithography projection exposure installation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5544280A (en) * 1993-06-07 1996-08-06 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Unipolar terminal-attractor based neural associative memory with adaptive threshold
US5629802A (en) * 1995-01-05 1997-05-13 The United States Of America As Represented By The Secretary Of The Air Force Spatially multiplexed optical signal processor
US6314210B1 (en) * 1997-05-12 2001-11-06 Olympus Optical Co., Ltd. Multiplexing optical system
CN101080727A (zh) * 2004-10-18 2007-11-28 秦内蒂克有限公司 光学相关设备和方法
CN102354056A (zh) * 2011-10-27 2012-02-15 中国科学院上海光学精密机械研究所 高功率高光束质量光学相控阵扫描装置
CN102385169A (zh) * 2011-11-29 2012-03-21 中国科学院上海光学精密机械研究所 三维达曼阵列产生器
CN109254350A (zh) * 2018-10-26 2019-01-22 上海交通大学 平铺型光子神经网络卷积层芯片

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hybrid optical-electronic convolutional neural networks with optimized diffractive optics for image classification;Julie Chang;《Scientific Reports》;20180817;全文 *
周常河等著.达曼光栅.《达曼光栅原理及应用》.科学出版社,2017,全文. *

Also Published As

Publication number Publication date
CN111949067A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
US11604978B2 (en) Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out
US20220164642A1 (en) Photonic tensor accelerators for artificial neural networks
JP2536452B2 (ja) 光電子記憶処理装置および光学式修正符号付きディジット算術演算実行方法
Hu et al. High‐throughput multichannel parallelized diffraction convolutional neural network accelerator
CN110516802A (zh) 基于光延时线缓存的光子卷积神经网络架构
Gu et al. SqueezeLight: Towards scalable optical neural networks with multi-operand ring resonators
Dang et al. BPLight-CNN: A photonics-based backpropagation accelerator for deep learning
CN112465137A (zh) 一种基于光子神经网络的涡旋光束模态识别系统及方法
Li et al. Photonics for neuromorphic computing: Fundamentals, devices, and opportunities
Ye et al. Demultiplexing oam beams via fourier optical convolutional neural network
Ma et al. Optical multi-imaging–casting accelerator for fully parallel universal convolution computing
CN116258624A (zh) 基于多成像投影架构的光学张量卷积计算系统及方法
Gupta et al. 4F optical neural network acceleration: an architecture perspective
CN111949067B (zh) 达曼卷积光计算机
WO2021013221A1 (zh) 光计算芯片、系统及数据处理技术
Liu et al. Photonic Meta‐Neurons
Li et al. ReFOCUS: Reusing light for efficient fourier optics-based photonic neural network accelerator
Ma et al. Intelligent neuromorphic computing based on nanophotonics and metamaterials
Dang et al. LiteCON: An all-photonic neuromorphic accelerator for energy-efficient deep learning
Sadeghzadeh et al. High-speed multi-layer convolutional neural network based on free-space optics
Desmulliez et al. Perfect-shuffle interconnected bitonic sorter: optoelectronic design
Xiong et al. Advances and marine applications of optical neural network
CN118350431A (zh) 可重构的硅基片上光衍射神经网络
WO2022087345A1 (en) Scale-, shift-, and rotation-invariant diffractive optical networks
Xiao et al. Optical neural network with complementary decomposition to overcome the phase insensitive constrains

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