CN112639603A - 尖峰神经装置及组合最优化问题计算装置 - Google Patents

尖峰神经装置及组合最优化问题计算装置 Download PDF

Info

Publication number
CN112639603A
CN112639603A CN201980057896.8A CN201980057896A CN112639603A CN 112639603 A CN112639603 A CN 112639603A CN 201980057896 A CN201980057896 A CN 201980057896A CN 112639603 A CN112639603 A CN 112639603A
Authority
CN
China
Prior art keywords
spiking
optical
pulse
optical pulse
pulses
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
CN201980057896.8A
Other languages
English (en)
Other versions
CN112639603B (zh
Inventor
稻叶谦介
武居弘树
本庄利守
稻垣卓弘
生田拓也
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Publication of CN112639603A publication Critical patent/CN112639603A/zh
Application granted granted Critical
Publication of CN112639603B publication Critical patent/CN112639603B/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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

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

Abstract

本发明提供一种能够高效地构建尖峰神经的模拟的尖峰神经装置。尖峰神经装置使用相干伊辛机，所述相干伊辛机具备：谐振器部，用于放大多个光脉冲；测定部，测定该多个光脉冲的相位和振幅并得到测定结果；以及反馈构成，基于该测定结果使用伊辛模型的耦合系数对与某光脉冲相关的相互作用进行运算并反馈，所述尖峰神经装置的特征在于，所述反馈构成对所述多个光脉冲中的规定的两个光脉冲反馈输入由彼此符号相反的两个耦合系数决定的相关关系，通过由所述测定部最终得到的两个光脉冲的值中的一方的值来模拟尖峰神经的状态。

Description

尖峰神经装置及组合最优化问题计算装置
技术领域
本发明涉及模拟尖峰神经的尖峰神经装置，具体而言，涉及使用了OPO(OpticalParametric Oscillator：光参量振荡器)的尖峰神经装置。
背景技术
通过尖峰神经构成神经网络的模型被称为尖峰神经网络，是为了使神经网络更接近生物学的脑的活动，重视动作电位(尖峰)而制成的人工的神经网络模型。
在尖峰神经网络中，将尖峰发生的时刻(timing)考虑为信息，处理的参数变多，因此被称为与深度学习相比所处理的问题的范围更广的下一代技术。
此外，一般将神经网络的处理构建于依次处理的诺依曼型计算机的情况下处理效率降低，而且在尖峰神经网络的情况下甚至需要模仿动作电位(action potential)因此处理效率进一步降低。因此，在模拟神经网络时大多由专用处理器来构建(implement)。
现有技术文献
专利文献
专利文献1：国际公开第2015/156126号小册子
非专利文献
非专利文献1：稻垣卓弘,针原佳贵,等,“用于2000节点优化问题的相干伊辛机”，《科学》354,603--606(2016)(T.Inagaki,Y.Haribara,etal,“A coherent ising machinefor 2000-node optimization problems,”Science 354,603--606(2016))
发明内容
发明所要解决的问题
然而，由半导体制成的专用处理器进行电信号处理，因此在构建有尖峰神经的情况下存在处理时间变长的问题。
此外，已知：对于生物体的神经而言，关于尖峰发生时的动作，大致分为两种类型。在由半导体制成的专用处理器中，还存在难以自由地控制该尖峰的类型的问题。
本发明是鉴于该以往的问题而完成的发明，本发明的目的在于提供一种能够高效地构建尖峰神经(spiking neuron)的模拟(simulation)的尖峰神经装置。
用于解决问题的方案
为了解决上述的技术问题，一个实施方式所记载的尖峰神经装置使用相干伊辛机，所述相干伊辛机具备：谐振器部，用于放大多个光脉冲(optical pulses)；测定部，测定该多个光脉冲的相位和振幅并得到测定结果；以及反馈构成，基于该测定结果使用伊辛模型的耦合系数对与光脉冲相关的相互作用进行运算并反馈，所述尖峰神经装置的特征在于，所述反馈构成对所述多个光脉冲中的规定的两个光脉冲反馈输入由彼此符号相反的两个耦合系数决定的相关关系，通过由所述测定部最终得到的两个光脉冲的值来模拟尖峰神经的状态。
附图说明
图1是表示相干伊辛机的基本构成的图。
图2是对尖峰神经的构建进行说明的图。
图3是表示在外部磁场变动的情况下，与将耦合系数固定为规定的值时的泵浦光强度相对的尖峰神经的类型及其发放/非发放的状态的图。
图4是对调整泵浦光强度的构成进行说明的图。
图5是表示进行菲茨休—南云模型的模拟的尖峰神经装置的构成例的图。
图6是表示进行菲茨休—南云模型的模拟的尖峰神经装置的其他构成例的图。
具体实施方式
以下，对本发明的实施方式详细地进行说明。
本实施方式的尖峰神经装置将一个尖峰神经的状态构建于相干伊辛机的两个OPO脉冲。相干伊辛机具备：谐振器部，用于放大多个光脉冲(OPO脉冲)；测定部，测定多个光脉冲的相位和振幅并得到测定结果；以及反馈构成，基于测定结果使用伊辛模型的耦合系数对与某光脉冲相关的相互作用进行运算并反馈。在此对实现本实施方式的尖峰神经装置的相干伊辛机进行说明。
[相干伊辛机]
以往已知的诺依曼型的计算机不能高效地解决被分类为NP问题的组合最优化问题。作为解决组合最优化问题的方法，提出一种使用了伊辛模型的方法，其中，该伊辛模型是将磁性材料被配置于格子点(lattice point)的各阵点(site)的自旋(spin)的相互作用以统计力学的方式解析出的格子模型(lattice model)。
已知作为伊辛模型系统的能量函数的哈密顿算符H如以下的式(1)所示来表示。
[数式1]
H＝∑iiKijσiσj+∑ihiσi (1)
在式(1)中，Kij是耦合常数，表示构成伊辛模型的各阵点的相关关系。此外，hi是磁场项。σi、σj表示各阵点的自旋，取1或-1的值。
在使用伊辛模型解决组合最优化问题的情况下，在上述的伊辛模型的哈密顿算符中，在赋予作为各阵点的相关关系的Kij和hi时，系统成为稳定状态并求出能量H的值成为最小时的σi，由此得到最优解。近年来，利用光脉冲来近似地模拟这样的伊辛模型，从而能够解决NP问题等组合最优化问题的计算装置作为相干伊辛机而受到瞩目(专利文献1、非专利文献1)。
图1是表示相干伊辛机的基本构成的图。如图1所示，相干伊辛机构成为：对于设置于作为环形谐振器1发挥功能的环状的光纤内的相敏放大器(PSA：Phase SensitiveAmplifier)2，注入泵浦光脉冲(pump)，由此生成与伊辛模型的阵点数对应的数量的光脉冲列(二值化OPO：Optical Parametric Oscillator：0或π相位的光参量振荡器)。通过该环形谐振器1和相敏放大器2构成谐振器部。
而且如图1所示，相干伊辛机具备测定光脉冲列的测定部3、基于测定结果对光脉冲赋予反馈的运算器4以及外部光脉冲输入部5。
当输入于环形谐振器1的光脉冲列环绕一周再次到达PSA2时，再次对PSA2输入泵浦光从而放大光脉冲列。通过最初的泵浦光的注入而产生的光脉冲列是相位不确定的微弱的光脉冲，每当在环形谐振器1内环绕就在PSA2被放大，由此逐渐确定其相位状态。PSA2将各光脉冲相对于泵浦光源的相位以0或π的相位进行放大，因此会确定为这些中的任一的相位状态。
在相干伊辛机中，使伊辛模型中的自旋的1、-1与光脉冲的相位0、π对应构建。每当进行光脉冲的环绕，就通过环形谐振器1的外部的测定部3进行光脉冲列的相位和振幅的测定，将其测定结果输入预先赋予了耦合系数Kij的运算器4，使用这些来运算对于第i个光脉冲的耦合信号(反馈输入的信号)。
[数式2]
Figure BDA0002961748610000041
(cj：第j个阵点的光脉冲的振幅)。而且，能够通过反馈环控制，在构成光脉冲列的各光脉冲间对相位赋予相关关系，其中，在该反馈环控制中，通过外部光脉冲输入部5生成与运算出的耦合信号对应的外部光脉冲并输入环形谐振器1内。
在相干伊辛机中，一边赋予上述的相关关系一边使光脉冲列在环形谐振器1内环绕放大，测定构成当成为了稳定状态时的光脉冲列的各光脉冲的相位0、π，由此能够求出伊辛模型的解。
图1所示的相干伊辛机的构成是一个例子，例如在图1中反馈构成由运算器4和外部光脉冲输入部5构成，但也可以是不通过外部光脉冲输入部5，而是在环形谐振器1内设置调制器并对在环形谐振器1内环绕传输的光脉冲进行调制的构成。能够在本实施方式的尖峰神经装置中使用的相干伊辛机不限于图1所示的构成，可以是其他的具备谐振器部、测定部以及反馈构成的已知的构成。
[尖峰神经的模拟]
图2是对尖峰神经的构建进行说明的图。在本实施方式的尖峰神经装置中，对构成相干伊辛机的两个OPO脉冲(光脉冲)反馈输入由彼此符号相反的两个耦合系数决定的相关关系。在本实施方式中，将2N(N是自然数)个光脉冲列Cj(j是1以上且2N以下的整数)的前半部分定义为vi(i是1以上且N以下的整数)，将后半部分定义为wi。如图2所示，在当使用Jvw和Jwv(＝-Jvw)作为属于相同的i的光脉冲(Pulse)v和光脉冲w的耦合系数时计算的光脉冲v和光脉冲w中，通过两光脉冲v、w的值来模拟一个尖峰神经的状态。就是说，通过2N个光脉冲，来模拟N个神经。
在使用图1所示的相干伊辛机来构成的情况下，使用由测定器3相干测定出的光脉冲的测定结果Cj在运算器4中根据以下的式(2)进行运算。
[数式3]
αi＝∑jJijCj+Fi (2)
上述式(2)中Fi是磁场项。Jij是由耦合系数决定的相关关系，具体而言如下赋值。
[数式4]
Figure BDA0002961748610000051
根据上述矩阵，光脉冲vi与wi的对(pair)表示第i个尖峰神经的状态。此时的第i个v、w的对所遵从的方程式如下述的式(3)、(4)所示(式(3)、(4)中省略下角标i)。本装置中的尖峰神经的动作由该式赋予特征。
[数式5]
Figure BDA0002961748610000061
[数式6]
Figure BDA0002961748610000062
在式(3)、(4)中，p表示泵浦光的强度，预先进行标准化使得p＝1成为振荡阈值。为方便，能够设为P＝p－1。Fv、Fw是磁场项。
[尖峰神经的类型的控制]
尖峰神经能够分为在从非发放(nonfiring)状态(不尖峰的状态)向发放(firing)状态(尖峰的状态)过渡时，发放频度(发放频率)从0连续增加的TypeI和不连续增加的TypeII的两种类型。在本实施方式的尖峰神经装置中，能够将尖峰神经的类型控制为这两种类型中的任一种类型。
在本实施方式的尖峰神经装置中，在考虑磁场项为相同条件的情况下，能够通过泵浦光强度与耦合系数之比来控制神经的类型。
图3是表示在磁场项变动的情况下，与将耦合系数固定为规定的值时的泵浦光强度相对的尖峰神经的类型及其发放/非发放的状态的图。在图3中，在横轴表示泵浦光强度，但由于耦合系数固定为规定的值，因此实质上，横轴表示泵浦光强度与耦合系数之比。在图3中，AH表示TypeII的尖峰神经变迁为发放/非发放的交界，SN表示TypeI的尖峰神经变迁为发放/非发放的交界。此外，在图3中由TypeII的交界与TypeI的交界所围的由斜线表示的区域是尖峰神经为发放状态的区域。
在使用了图1所示的相干伊辛机的尖峰神经装置中，相敏放大器2的光即模拟的部分与由FPGA构成的运算器4的电气即数字的部分混在一起，使用AD变换相互耦合。因此，对于作为装置的可自由设定的参数的泵浦光强度和FPGA的注入强度(反馈输入的大小)、同样地电设定的磁场项Fv的大小等的相对的关系性(强度比)进行估算是困难的，但如图3所示，在本实施方式的尖峰神经装置中，设定由泵浦光强度P和FPGA的注入强度决定的Jwv的相对强度比P/Jwv的值，由此判断发生了TypeI与TypeII之间的转移。
此外，磁场项强度Fv为固定的值时不会产生尖峰，但该临界磁场强度由P/Jwv的函数决定。可以说，通过利用这些性质，能够准确地估算光―电子混合系统的参数P、Jwv、Fv的相对的值。
[尖峰神经的动态速度的控制]
一般地，生物体的神经在某一时刻下的一个尖峰神经的膜电位v与表示相同时刻下的一个尖峰神经的失活(inactivation)的变量w之间存在动态速度(发展时间、时标)的差。然而在上述的尖峰神经装置中，使用Jvw和Jwv(＝-Jvw)作为光脉冲v和光脉冲w的耦合系数，通过两个同质的OPO脉冲来模拟一个尖峰神经，因此v与w之间的动态速度不存在差。
在本实施方式的尖峰神经装置中，设定(1)调整泵浦光强度，或(2)使两个光脉冲间的两个耦合系数的绝对值不同，由此能够控制该动态速度(dynamics speed)。以下对这些方法进行说明。
(1)通过调整泵浦光强度的方法
图4是对调整泵浦光强度的构成进行说明的图。如图4所示，使得在相敏放大器2中注入光脉冲w的泵浦光的强度pw小于(或大于)注入光脉冲v的泵浦光的强度pv。在该情况下，能够使泵浦光的强度pv(或pw)连续变化至零。通过连续变化，能够更细致地进行动态速度的控制。
此外，也可以通过在相敏放大器2中仅对一方的光脉冲注入泵浦光来将注入一方的光脉冲的泵浦光强度调整至0，而不限于改变泵浦光的强度。仅对一方的光脉冲注入泵浦光换言之就是中断对于另一方的光脉冲的泵浦光的注入。
在中断了泵浦光的注入时，在相敏放大器2中，发生参量振荡的逆过程。能够生成由通常的OPO和逆过程的OPO这两个光脉冲构成的尖峰网络。因此，在中断了对于另一方的光脉冲的泵浦光的注入的情况下，不仅能够控制动态速度，还能够通过通常的OPO和逆过程的OPO使复杂性增大。
(2)通过设定使两个光脉冲间的两个耦合系数的绝对值不同的方法
该方法变更由运算器4运算的两个OPO脉冲的耦合系数Jvw、Jwv的绝对值。例如包含耦合系数的矩阵jij如下设定即可。
[数式7]
Figure BDA0002961748610000081
在上述矩阵jij中，若将光脉冲v与光脉冲w的时标(动态速度)之比设为τ，则赋予特征为τ＝r-1/3。在该比τ中，1/3次幂是由于式(3)的方程式中在dv/dt的右边包含v3的非线形项。
[尖峰神经的模型的模拟]
在尖峰神经网络中，已知将神经细胞等电兴奋性细胞的动作电位(尖峰)简化而表现出的菲茨休—南云模型。已知该模型作为简化了霍奇金—赫胥黎模型的微分方程式的模型，其中，该霍奇金—赫胥黎模型是将神经细胞的动作电位发放(尖峰)中的激活(activation)和失活(inactivation)进行模型化而成的模型。该模型如式(5)、(6)所示仅由两个微分方程式表示。
[数式8]
Figure BDA0002961748610000082
[数式9]
Figure BDA0002961748610000083
在式(5)、(6)中，v表示关注的尖峰神经的膜电位，w表示一种表示对于尖峰神经的失活的变量。Iext表示外部刺激电流，作为尖峰神经网络的输入。τ表示v与w的时标的差，a、b是规定的常数。可以说上述微分方程式表示v的动态速度和w的动态速度。
在本实施方式的尖峰神经装置中，能够将上述的微分方程式构建于向构成相干伊辛机的两个环形谐振器内传输的光脉冲。在该情况下，能够使用与图1同样地具有PSA2的环形谐振器和不同于图1的不使用PSA2的环形谐振器来构成。
图5是表示进行菲茨休-南云模型的模拟的尖峰神经装置的构成例的图。在该构成中，具备两个分别形成的环形谐振器1a、1b。在环形谐振器1a中在其路径中设有相敏放大器2。在环形谐振器1b中在其路径中设有损耗/增益导入器(loss/gain introducer)6，而不设有相敏放大器。两个相干伊辛机包括共同的运算器4。测定器3a、3b以及外部光脉冲输入部5a、5b虽简化表示，但与图1是同样的构成。
损耗/增益导入器6是对于光脉冲导入损耗或增益的单元，例如能够使用导入增益的EDFA(Erbium Doped optical Fiber Amplifier：掺铒光纤放大器)等放大器(amplifier)、导入损耗的衰减器(attenuator)。作为其他方案，可以向运算器4中赋予损耗或增益，而不设置损耗/增益导入器6。在向运算器4中赋予损耗或增益的情况下，调整用于运算的耦合系数的大小即可。
使用图5所示的环形谐振器1a和环形谐振器1b，向环形谐振器1a构建光脉冲v，向环形谐振器1b构建光脉冲w。在该情况下，能够通过相干伊辛机中的各参数如式(7)、(8)所示来表示菲茨休—南云模型的两个微分方程式。
[数式10]
Figure BDA0002961748610000091
[数式11]
Figure BDA0002961748610000092
上述式(7)表示将相敏放大器2设置于路径途中的环形谐振器1a中的光脉冲v的时间发展，式(8)表示在路径途中不设置相敏放大器2的环形谐振器1b中的光脉冲w的时间发展。
在式(7)中，右边第一项是由相敏放大器2决定的项，p表示泵浦光的强度，v表示由具有相敏放大器2的相干伊辛机计算出的光脉冲v的大小。右边第二项表示从光脉冲受到的影响，Jvw是表示来自光脉冲w的影响的耦合系数，w表示由不设置相敏放大器2的相干伊辛机计算出的光脉冲w的大小。Fv是磁场项，对应于式(5)中的Iext。
在式(8)中，右边第一项表示通过损耗/增益导入器6赋予的损耗或增益，Jww是表示光脉冲w从自己的光脉冲的大小受到的影响的耦合系数，w表示由不设置相敏放大器2的相干伊辛机计算出的光脉冲w的大小。右边第二项表示从光脉冲v受到的影响，Jwv是表示从光脉冲v受到的影响的耦合系数，v表示由具有相敏放大器2的相干伊辛机计算出的光脉冲v的大小。Fw是外部磁场，τ是v与w的时间发展(动态速度)的差，因v、w的各自的光路中的损耗或增益的差异而产生。
如此，能够通过图5所示的由相干伊辛机构成的尖峰神经装置的各参数p、Jwv、Jwv、Fv、计算出的v、w来模拟菲茨休—南云模型。而且，设定这些各参数并计算v、w，使用计算出的v、w、其他的参数来计算式(7)、式(8)，由此能够进行由菲茨休—南云模型的两个微分方程式表示的神经细胞的动作电位发放(尖峰)中的激活和失活。
图6是表示进行菲茨休—南云模型的模拟的尖峰神经装置的其他构成例的图。该构成是设置有使一个相干伊辛机的环形谐振器1内的一部分分支而不通过相敏放大器2的其他的路径11的构成。在环形谐振器1的途中设置分支开关12，在规定的时刻仅使光脉冲w分支到其他的路径11。在其他的路径11内传输的光脉冲w通过耦合器13路径合流，在环形谐振器1内再次传输。其他的路径11的长度构成为与从分支开关12起至耦合器13为止的环形谐振器1的长度相等。在该构成的情况下，向光脉冲w导入的增益或损耗能够通过运算器4导入。在该构成的尖峰神经装置中也能与图5的尖峰神经装置同样地模拟菲茨休—南云模型，能够计算由菲茨休—南云模型的两个微分方程式表示的神经细胞的动作电位发放(尖峰)中的激活和失活。
在本实施方式的尖峰神经装置中，能够模拟尖峰神经的各种模型，而不限于菲茨休—南云模型。即，当适当地调整光脉冲所遵从的以下的式(3)、(4)的参数时，能够模拟包括菲茨休一南云模型在内的尖峰神经的各种模型。
[数式12]
Figure BDA0002961748610000111
[数式13]
Figure BDA0002961748610000112
[使用了尖峰神经装置的组合最优化问题的运算]
在本实施方式的尖峰神经装置中，能够解决组合最优化问题。
在使用图1所示的相干伊辛机来构成本实施方式的尖峰神经装置的情况下，使用由测定器3相干测定出的光脉冲的测定结果Cj在运算器4中通过以下的式(2)进行运算。
[数式14]
αi＝∑jJijCj+Fi (2)
虽然到此为止与以上的模拟尖峰神经的方法相同，但在解决组合最优化问题的情况下，在由运算器4运算的式(2)中使用的耦合系数与模拟尖峰神经的情况不同。将最大割问题(Max Cut Solver)作为组合最优化问题来进行举例说明。
最大割问题与没有磁场项的伊辛问题等价，由耦合矩阵Kij(N×N的矩阵)表示，因此在式(2)中，设为Fi＝0，运算以下的耦合系数即可。
[数式15]
Figure BDA0002961748610000113
在相干伊辛机中，通过运算器4使用上述的Jij来运算式(2)，能够运算最大割问题。在上述的矩阵Jij(2N×2N的矩阵)中，最大割问题的矩阵Kij输入于右下(第四行～第六行和第四列～第六列)，但是输入于左上(第一行～第三行和第一列～第三列)也是同样的。
通过使用上述矩阵Jij来运算上述式(2)而得到的vi和wi(表示伊辛自旋(Isingspin)的值)是最大割问题的解答。在此，最终得到的两个解答收敛于相同的值。
在此在相干伊辛机中，已知为了使来自运算器4的反馈光的相位与脉冲列反转而周期性产生相位反转问题。当发生了该相位反转问题时，导致Jij的符号相反，从而导致正确率降低。为了解决该相位反转问题，将在式(2)中使用的耦合系数Jij设为以下即可。
[数式16]
Figure BDA0002961748610000121
通过使用该耦合系数来运算，由于使v、w的相对相位同时反转，能够解决相位反转问题。在上述的矩阵Jij中，最大割问题的矩阵Kij输入于右上(第一行～第三行和第四列～第六列)，但是输入于左下(第四行～第六行和第一列～第三列)也是同样的。
根据本实施方式的尖峰神经装置，使用OPO脉冲构建尖峰神经网络，由此使得基于光的高速处理成为可能，而且，通过电难以控制的参数也能自由地控制。
[更一般的伊辛问题的运算]
将最大割问题考虑为伊辛问题的一种。即，对应于在上述式(1)的伊辛模型的哈密顿算符中设为磁场项hi＝0的问题。在此，将在运算器4中运算的式(2)进行如下扩展，
[数式17]
Figure BDA0002961748610000131
若对第i个w有关的磁场项Fw导入伊辛问题的磁场项hi，则能够解决上述式(1)所示的伊辛问题。
附图标记说明
1 环形谐振器；
2 PSA(相敏放大器)；
3 测定器；
4 运算器；
5 外部光脉冲输入部。

Claims (6)

1.一种尖峰神经装置，使用相干伊辛机，所述相干伊辛机具备：谐振器部，用于放大多个光脉冲；测定部，测定该多个光脉冲的相位和振幅并得到测定结果；以及反馈构成，基于该测定结果使用伊辛模型的耦合系数对与某光脉冲相关的相互作用进行运算并反馈，所述尖峰神经装置的特征在于，
所述反馈构成对所述多个光脉冲中的规定的两个光脉冲反馈输入由彼此符号相反的两个耦合系数决定的相关关系，
通过由所述测定部最终得到的两个光脉冲的值来模拟尖峰神经的状态。
2.根据权利要求1所述的尖峰神经装置，其特征在于，
所述谐振器部具有：环形谐振器，使所述光脉冲环绕传输；以及相敏放大器，对所述光脉冲注入泵浦脉冲来进行放大，
在所述相敏放大器中，对所述规定的两个光脉冲中的一方注入的泵浦脉冲的强度与对所述规定的两个光脉冲中的另一方注入的泵浦脉冲的强度不同。
3.根据权利要求1或2所述的尖峰神经装置，其特征在于，
所述规定的两个光脉冲中的一方通过设置于所述谐振器部内的相敏放大器，所述规定的两个光脉冲中的另一方不通过设置于所述谐振器部内的相敏放大器。
4.根据权利要求3所述的尖峰神经装置，其特征在于，
所述谐振器部具有：第一环形谐振器，使所述规定的两个光脉冲中的一方环绕传输；第二环形谐振器，使所述规定的两个光脉冲中的另一方环绕传输；以及相敏放大器，对所述光脉冲注入泵浦脉冲来进行放大，其中，所述相敏放大器仅设置于所述第一环形谐振器内。
5.根据权利要求3所述的尖峰神经装置，其特征在于，
所述谐振器部具有：环形谐振器，使光脉冲环绕传输；以及相敏放大器，设置于该环形谐振器内，对所述光脉冲注入泵浦脉冲来进行放大，其中，设置有其他的路径，所述其他的路径与经由所述环形谐振器的所述相敏放大器的路径并行，供从所述环形谐振器分支的光脉冲传输。
6.一种组合最优化问题计算装置，其特征在于，
将组合最优化问题映射于权利要求1～5中任一项所述的尖峰神经装置的耦合系数。
CN201980057896.8A 2018-09-04 2019-08-30 尖峰神经装置及组合最优化问题计算装置 Active CN112639603B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018165397A JP6996457B2 (ja) 2018-09-04 2018-09-04 スパイキングニューロン装置および組合せ最適化問題計算装置
JP2018-165397 2018-09-04
PCT/JP2019/034169 WO2020050172A1 (ja) 2018-09-04 2019-08-30 スパイキングニューロン装置および組合せ最適化問題計算装置

Publications (2)

Publication Number Publication Date
CN112639603A true CN112639603A (zh) 2021-04-09
CN112639603B CN112639603B (zh) 2023-01-03

Family

ID=69721619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980057896.8A Active CN112639603B (zh) 2018-09-04 2019-08-30 尖峰神经装置及组合最优化问题计算装置

Country Status (6)

Country Link
US (1) US20210326684A1 (zh)
EP (1) EP3848748B1 (zh)
JP (1) JP6996457B2 (zh)
CN (1) CN112639603B (zh)
CA (1) CA3111120C (zh)
WO (1) WO2020050172A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178775A (zh) * 2021-04-25 2021-07-27 北京玻色量子科技有限公司 一种基于片上回音壁模式光学微腔的相干伊辛机

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7352916B2 (ja) * 2020-04-02 2023-09-29 日本電信電話株式会社 イジングモデルの計算装置
JP7557160B2 (ja) 2021-08-25 2024-09-27 日本電信電話株式会社 イジングモデルの計算装置
SE546081C2 (en) * 2022-08-19 2024-05-14 Artem Litvinenko STRUCTURAL CONSTRUCTION ELEMENT WITH THIN FILM TECHNOLOGY Johan Åkerman, Utsiktsvägen 14, 191 35 Sollentuna, SE 14

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010054938A (ja) * 2008-08-29 2010-03-11 Toshiba Corp 量子シミュレータ、量子計算機および方法
JP2015163922A (ja) * 2014-02-28 2015-09-10 日本電信電話株式会社 光パラメトリック発振器とそれを用いたランダム信号発生装置及びイジングモデル計算装置
US20150269482A1 (en) * 2014-03-24 2015-09-24 Qualcomm Incorporated Artificial neural network and perceptron learning using spiking neurons
CN108027545A (zh) * 2015-09-15 2018-05-11 日本电信电话株式会社 伊辛模型的量子计算装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6300049B2 (ja) * 2013-07-09 2018-03-28 ザ ボード オブ トラスティーズ オブ ザ レランド スタンフォード ジュニア ユニバーシティー 光パラメトリック発振器のネットワークを使用する計算
JP6260896B2 (ja) * 2013-12-09 2018-01-17 大学共同利用機関法人情報・システム研究機構 イジングモデルの量子計算装置
WO2015156126A1 (ja) * 2014-04-11 2015-10-15 大学共同利用機関法人情報・システム研究機構 イジングモデルの量子計算装置、イジングモデルの量子並列計算装置及びイジングモデルの量子計算方法
US11017309B2 (en) * 2017-07-11 2021-05-25 Massachusetts Institute Of Technology Optical Ising machines and optical convolutional neural networks
JP7440795B2 (ja) * 2020-03-03 2024-02-29 日本電信電話株式会社 Ｘｙモデルの計算装置および組合せ最適化問題計算装置
JP7352916B2 (ja) * 2020-04-02 2023-09-29 日本電信電話株式会社 イジングモデルの計算装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010054938A (ja) * 2008-08-29 2010-03-11 Toshiba Corp 量子シミュレータ、量子計算機および方法
JP2015163922A (ja) * 2014-02-28 2015-09-10 日本電信電話株式会社 光パラメトリック発振器とそれを用いたランダム信号発生装置及びイジングモデル計算装置
US20150269482A1 (en) * 2014-03-24 2015-09-24 Qualcomm Incorporated Artificial neural network and perceptron learning using spiking neurons
TW201541372A (zh) * 2014-03-24 2015-11-01 Qualcomm Inc 使用尖峰發放神經元的人工神經網路和感知器學習
CN108027545A (zh) * 2015-09-15 2018-05-11 日本电信电话株式会社 伊辛模型的量子计算装置
US20180246393A1 (en) * 2015-09-15 2018-08-30 Nippon Telegraph And Telephone Corporation Ising model quantum computation device

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GABRIEL A. FONSECA GUERRA等: "Using Stochastic Spiking Neural Networks on SpiNNaker to Solve Constraint Satisfaction Problems", 《FRONTIERS IN NEUROSCIENCE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178775A (zh) * 2021-04-25 2021-07-27 北京玻色量子科技有限公司 一种基于片上回音壁模式光学微腔的相干伊辛机
US12074406B2 (en) 2021-04-25 2024-08-27 Beijing Qboson Quantum Technolog Coherent ising machine based on on-chip optical microcavity in whispering gallery mode

Also Published As

Publication number Publication date
US20210326684A1 (en) 2021-10-21
JP6996457B2 (ja) 2022-01-17
CN112639603B (zh) 2023-01-03
EP3848748A1 (en) 2021-07-14
EP3848748A4 (en) 2022-05-25
WO2020050172A1 (ja) 2020-03-12
CA3111120C (en) 2023-08-01
CA3111120A1 (en) 2020-03-12
JP2020038300A (ja) 2020-03-12
EP3848748B1 (en) 2023-05-10

Similar Documents

Publication Publication Date Title
CN112639603B (zh) 尖峰神经装置及组合最优化问题计算装置
JP6255087B2 (ja) イジングモデルの量子計算装置、イジングモデルの量子並列計算装置及びイジングモデルの量子計算方法
JP2018180701A (ja) 計算機システム及び再帰型ニューラルネットワークを用いた演算方法
Sjöberg et al. Initializing Wiener–Hammerstein models based on partitioning of the best linear approximation
CN111065963B (zh) 伊辛模型的计算装置
US20200052463A1 (en) Laser apparatus and reservoir computing system
JP6533544B2 (ja) イジングモデルの計算装置
US11436394B2 (en) Potts model calculation device
Calvanese Strinati et al. Can nonlinear parametric oscillators solve random Ising models?
Ferreiro et al. Pair creation in electric fields, anomalies, and renormalization of the electric current
US20230153677A1 (en) Computing Device of Ising Model
Dzurak et al. Development of an undergraduate quantum engineering degree
WO2021176577A1 (ja) Ｘｙモデルの計算装置および組合せ最適化問題計算装置
Takesue et al. Observing a phase transition in a coherent Ising machine
Islam The traveling wave solutions of the cubic nonlinear Schrodinger equation using the enhanced (Gʹ/G)-expansion method
US20230400876A1 (en) Optical Computing Machine
JP2019028132A (ja) イジングモデルの計算装置
CN114757344A (zh) 模拟生物神经元动力学以实现逻辑运算的系统及方法
Knoll et al. Information transmission in recurrent networks: consequences of network noise for synchronous and asynchronous signal encoding
Almoosa et al. Fast and accurate Brillouin frequency shift extraction in Brillouin optical time domain reflectometry (BOTDR) distributed fiber sensor by using ensemble machine learning algorithm
Lorenzo et al. A multilayer-multiplexer network processing scheme based on the dendritic integration in a single neuron
Ospeck Auditory nerve spike generator modeled as a variable attenuator based on a saddle node on invariant circle bifurcation
WO2023026405A1 (ja) イジングモデルの計算装置
Parto et al. An Optical Neural Network Based on Nanophotonic Optical Parametric Oscillators
Carusela et al. Stochastic resonance: numerical and experimental devices

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