CN113839715A - 一种光学神经网络及芯片 - Google Patents
一种光学神经网络及芯片 Download PDFInfo
- Publication number
- CN113839715A CN113839715A CN202111097534.7A CN202111097534A CN113839715A CN 113839715 A CN113839715 A CN 113839715A CN 202111097534 A CN202111097534 A CN 202111097534A CN 113839715 A CN113839715 A CN 113839715A
- Authority
- CN
- China
- Prior art keywords
- optical
- waveguides
- output
- input
- 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.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 171
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 230000004913 activation Effects 0.000 claims abstract description 34
- 238000003491 array Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 17
- 239000012782 phase change material Substances 0.000 claims description 15
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 229910052710 silicon Inorganic materials 0.000 description 12
- 239000010703 silicon Substances 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 229910052959 stibnite Inorganic materials 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026683 transduction Effects 0.000 description 1
- 238000010361 transduction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
- H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
- H04B10/2543—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to fibre non-linearities, e.g. Kerr effect
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/501—Structural aspects
- H04B10/503—Laser transmitters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/60—Receivers
- H04B10/66—Non-coherent receivers, e.g. using direct detection
- H04B10/69—Electrical arrangements in the receiver
- H04B10/691—Arrangements for optimizing the photodetector in the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/80—Optical aspects relating to the use of optical transmission for specific applications, not provided for in groups H04B10/03 - H04B10/70, e.g. optical power feeding or optical transmission through water
- H04B10/801—Optical aspects relating to the use of optical transmission for specific applications, not provided for in groups H04B10/03 - H04B10/70, e.g. optical power feeding or optical transmission through water using optical interconnects, e.g. light coupled isolators, circuit board interconnections
-
- 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
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Nonlinear Science (AREA)
- Optics & Photonics (AREA)
- Optical Integrated Circuits (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明提供一种光学神经网络和包括光学神经网络的芯片,光学神经网络包括:输入层,输入层包括激光器、多个耦合器和多个输入波导,激光器产生光学输入信号,多个输入波导通过耦合器接收不同波长的光学输入信号;前向波导网格,前向波导网格包括线性变换层和非线性激活层,线性变换层和非线性激活层接收输入层输入的光学输入信号,并对光学输入信号进行加权加法线性运算和非线性激活运算;以及输出层,输出层包括多个输出波导和多个光电探测器阵列,多个光电探测器阵列通过输出波导接收从前向波导网格传出的经过线性和非线性运算的光学输出信号。本发明可以实现片上集成波导中进行光学线性和非线性计算的功能。
Description
技术领域
本发明涉及芯片领域,更具体地,特别是指一种光学神经网络和包括其的芯片。
背景技术
人工智能技术,特别是人工神经网络的创新引领了许多领域的应用革命,如网络搜索、计算机识别和语言、图像的识别技术。作为人工智能最重要的模型之一,人工神经网络可用于模拟生物神经网络处理信息的能力,并因具有良好的泛化能力和鲁棒性而被广泛应用于各类场景之中。然而,基于硅基电子芯片的冯诺依曼架构和哈佛架构的电子计算机存在传输瓶颈、功耗增加以及算力瓶颈等问题,已越来越难以满足大数据时代对算力与功耗的需求,因此提高运算速度同时降低运算功耗是目前光计算技术面临的紧要问题。此外,硅基电子芯片还存在电子信号互相干扰的问题和潮汐数据问题,大大阻碍了从技术上实现具有高密度连接的人工神经网络。
随着集成光学、硅光子学和纳米材料研究的发展和深入,片上光学神经网络将能够有机的将光电子技术与传统神经网络模型结合,有望突破传统电子神经网络长延时、高功耗等技术瓶颈,也可以用来构造光学处理器。利用光子来赋能人工智能,用光子或光路代替传统电子计算来实现更高效率的人工智能计算。另一方面,随着高级人工神经网络特别是机器学习算法的发展,人工神经网络的发展也为纳米光学器件的设计提供了一种高效的方法,并进一步促进了光学神经网络以及纳米光学的发展,加速光学器件的设计与优化。
相较于目前发展得较为成熟的电子神经网络,光子神经网络在可训练性、集成度、规模化、实用化等方面仍然具有广阔的提升空间。一方面,光电子器件性能的非理想性与低稳定性抑制了光子神经网络的可训练性、集成度与规模化,为构建功能更加复杂的神经网络模型提出了更为严苛的要求;另一方面,光子神经网络在应用领域也受到了全光非线性激活函数的限制,难以在低强度级别下运行非线性运算。
发明内容
有鉴于此,本发明实施例的目的在于提出一种光学神经网络和芯片,本发明通过引入相变材料,利用片上波导结构放大相变材料的非线性响应和减少光热效应,完成了片上集成非线性激活层的设计,实现了片上集成波导中进行非线性计算的目的,解决了光学非线性材料光学吸收强、非线性弱的问题,模拟了生物神经元信号处理方式,避免了芯片内部光电转换的缺陷,为多层全光光学神经网络的实现提供了可能性。
基于上述目的,本发明实施例的一方面提供了一种光学神经网络,包括:输入层,所述输入层包括激光器、多个耦合器和多个输入波导,所述激光器产生光学输入信号,多个所述输入波导通过所述耦合器接收不同波长的光学输入信号;前向波导网格,所述前向波导网格包括线性变换层和非线性激活层,所述线性变换层和所述非线性激活层接收所述输入层输入的光学输入信号,并对所述光学输入信号进行加权加法线性运算和非线性激活运算;以及输出层,所述输出层包括多个输出波导和多个光电探测器阵列,所述多个光电探测器阵列通过所述输出波导接收从所述前向波导网格传出的经过线性和非线性运算的光学输出信号。
在一些实施方式中,所述前向波导网格的所述线性变换层和所述非线性激活层由光学逻辑门和环形谐振腔级联而成。
在一些实施方式中,所述光学逻辑门包括:两个第二输入波导和两个第二输出波导;光学耦合器,所述光学耦合器的输入端连接所述两个第二输入波导,所述光学耦合器的输出端连接所述两个第二输出波导;以及光学相移器,所述光学相移器设置在所述两个第二输出波导之一上。
在一些实施方式中,所述环形谐振腔包括:两条直波导和环形波导,所述环形波导设置在两条直波导之间;第二光学相移器,所述第二光学相移器设置在所述两条直波导之一靠近输出端上;以及第三光学相移器,所述第三光学相移器垂直于所述第二光学相移器设置在所述环形波导靠近输出端上。
在一些实施方式中,所述第二输出波导和所述直波导靠近输出端的一侧设置有相变材料层。
本发明实施例的另一方面,提供了一种芯片,所述芯片包括光学神经网络,所述光学神经网络包括:输入层,所述输入层包括激光器、多个耦合器和多个输入波导,所述激光器产生光学输入信号,多个所述输入波导通过所述耦合器接收不同波长的光学输入信号;前向波导网格,所述前向波导网格包括线性变换层和非线性激活层,所述线性变换层和所述非线性激活层接收所述输入层输入的光学输入信号,并对所述光学输入信号进行加权加法线性运算和非线性激活运算;以及输出层,所述输出层包括多个输出波导和多个光电探测器阵列,所述多个光电探测器阵列通过所述输出波导接收从所述前向波导网格传出的经过线性和非线性运算的光学输出信号。
在一些实施方式中,所述前向波导网格的所述线性变换层和所述非线性激活层由光学逻辑门和环形谐振腔级联而成。
在一些实施方式中,所述光学逻辑门包括:两个第二输入波导和两个第二输出波导;光学耦合器,所述光学耦合器的输入端连接所述两个第二输入波导,所述光学耦合器的输出端连接所述两个第二输出波导;以及光学相移器,所述光学相移器设置在所述两个第二输出波导之一上。
在一些实施方式中,所述环形谐振腔包括:两条直波导和环形波导,所述环形波导设置在两条直波导之间;第二光学相移器,所述第二光学相移器设置在所述两条直波导之一靠近输出端上;以及第三光学相移器,所述第三光学相移器垂直于所述第二光学相移器设置在所述环形波导靠近输出端上。
在一些实施方式中,所述第二输出波导和所述直波导靠近输出端的一侧设置有相变材料层。
本发明具有以下有益技术效果:通过引入相变材料,利用片上波导结构放大相变材料的非线性响应和减少光热效应,完成了片上集成非线性激活层的设计,实现了片上集成波导中进行非线性计算的目的,解决了光学非线性材料光学吸收强、非线性弱的问题,模拟了生物神经元信号处理方式,避免了芯片内部光电转换的缺陷,为多层全光光学神经网络的实现提供了可能性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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实施例。
图1为本发明提供的光学神经网络的整体示意图;
图2为本发明提供的光学神经网络的输入层示意图;
图3为本发明提供的光学神经网络的输出层示意图;
图4为本发明提供的光学神经网络的光学逻辑门示意图;
图5为本发明提供的光学神经网络的环形谐振腔示意图;
图6为本发明提供的光学神经网络的条形波导示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
本发明实施例的第一个方面,提出了一种光学神经网络的实施例。图1示出的是本发明提供的光学神经网络的实施例的整体示意图。如图1所示,本发明实施例包括:
输入层,所述输入层包括激光器、多个耦合器和多个输入波导,所述激光器产生光学输入信号,多个所述输入波导通过所述耦合器接收不同波长的光学输入信号;
前向波导网格,所述前向波导网格包括线性变换层和非线性激活层,所述线性变换层和所述非线性激活层接收所述输入层输入的光学输入信号,并对所述光学输入信号进行加权加法线性运算和非线性激活运算;以及
输出层,所述输出层包括多个输出波导和多个光电探测器阵列,所述多个光电探测器阵列通过所述输出波导接收从所述前向波导网格传出的经过线性和非线性运算的光学输出信号。
本发明实施例在同一玻璃衬底上包含可调谐纳米激光器、光学赋权、光学相加、光学非线性激活和纳米光电探测器阵列。本发明实施例中输入光源为片上集成可调谐纳米激光器,其输出波长在光通信C波段,具体的指1530nm–1565nm,因为C波段表现出的光学损耗最低,也便于与光纤系统集成和扩充。光学赋权、光学相加和光学非线性激活包含不同的纳米光学器件,纳米光学器件以不同的拓扑方式布局和级联,执行传输、线性和非线性运算,并由计算机软件控制部分可调谐结构。纳米光电探测器作为输出端,用于探测输出波导的光学信号,并进行信号提取和处理。
假设激光器输入信号为xi,光学赋权之后的信号为wixi,考虑到线性偏置wixi+bi,光学相加之后的信号为经过非线性激活函数δ之后,最终的信号为“输入层”即为“激光器输入”,“可编程前向波导网格”即为“光学赋权、光学相加和光学非线性激活”,“输出层”即为“探测器输出”。
图2示出的是本发明提供的光学神经网络的输入层示意图。如图2所示,输入层包括:可调谐片上纳米激光器,多个纳米耦合器,多个条形波导(即输入波导)。条形波导通过耦合器接收不同波长的光学输入信号,并且,输入光信号的相位也可以根据耦合器调节控制。
图3示出的是本发明提供的光学神经网络的输出层示意图。如图3所示,输出层包括:多个条形波导(即输出波导),纳米光电探测器阵列,计算机软件模块。本神经网络可以看作是N*M的光学逻辑门,其中N为输入波导数,M为输出波导数,并在网格内部执行光学计算。
在一些实施方式中,所述前向波导网格的所述线性变换层和所述非线性激活层由光学逻辑门和环形谐振腔级联而成。可编程前向波导网格包括:线性变换层(包含光学赋权模块和光学相加模块)、信号传输层和非线性激活层。本发明实施例中至少包含一层线性变换层和非线性激活层,通过光学方法实现模拟运算。可编程前向波导网格包含两种基本的构建模块:2*2光学逻辑门(MZI波导构型)和环形谐振腔,该两种结构可以以不同的拓扑方式级联,并根据目标需求搭建需要的神经网络,实现不同的目标运算。
在一些实施方式中,所述光学逻辑门包括:两个第二输入波导和两个第二输出波导;光学耦合器,所述光学耦合器的输入端连接所述两个第二输入波导,所述光学耦合器的输出端连接所述两个第二输出波导;以及光学相移器,所述光学相移器设置在所述两个第二输出波导之一上。
图4示出的是本发明提供的光学神经网络的光学逻辑门示意图。如图4所示,2*2光学逻辑门包括:两个第二输入波导(即图中输入波导,为了和输入层的输入波导区分开)、两个第二输出波导(即图中输出波导,为了和输出层的输出波导区分开)、分束比可调谐的光学耦合器和可编程光学相移器。光学相移器放置在第二输出波导来实现功率配比和相对相位延迟,光学耦合器实现对光路的方向控制和调节分束比,这两个器件都根据计算机软件编程控制。
在一些实施方式中,所述环形谐振腔包括:两条直波导和环形波导,所述环形波导设置在两条直波导之间;第二光学相移器,所述第二光学相移器设置在所述两条直波导之一靠近输出端上;以及第三光学相移器,所述第三光学相移器垂直于所述第二光学相移器设置在所述环形波导靠近输出端上。
图5示出的是本发明提供的光学神经网络的环形谐振腔示意图。如图5所示,环形谐振腔包括:两条直波导,环形波导,两个可编程光学相移器。光学相移器分别放置在直波导和环形波导,实现功率配比和相对相位延迟。其中,第二光学相移器设置在所述两条直波导之一靠近输出端上,第三光学相移器垂直于所述第二光学相移器设置在所述环形波导靠近输出端上。
光学相移器、第二光学相移器和第三光学相移器均可以为可编程纳米声光调制器,利用压电陶瓷的换能效应,将声波信号加载到条形波导上,实现光学调制。声光调制器可用于超快光信号处理领域,避免了采用其他调制方式带来的缺点,比如电光调制器转换效率低,响应慢,电热调制装置复杂,能量耗散大,并存在热量累积效应。
在本发明实施例中,光学逻辑门和环形谐振腔结构均包含两个输入端和两个输出端,其中,输出端的任何一端均可以连接下一个光学逻辑门的上输入端或下输入端,或者环形谐振腔的上输入端或下输入端。级联之后的波导网格主要分为两大类:单向网络和循环网络。
在一些实施方式中,所述第二输出波导和所述直波导靠近输出端的一侧设置有相变材料层。
图6为本发明提供的光学神经网络的条形波导示意图。如图6所示,本发明实施例中的条形波导包括:硅条形波导和Sb2S3覆盖的硅条形波导。硅条形波导作为光传导和散热器装置,Sb2S3覆盖的条形波导充当非线性运算器件。Sb2S3是一种宽带隙相变材料,因此在光通信波段上光透明,在其非晶态和结晶态之间保持几乎一致的折射率变化。条形波导置于玻璃衬底,厚度为220nm,与标准的CMOS技术兼容,宽度为500nm。Sb2S3的厚度为20nm–50nm,宽度与条形波导一致,通过可编程泵浦激光实现晶态和非晶态之间的转换,计算机软件主要控制泵浦光的光强和偏振,泵浦光通常为800nm超快激光。Sb2S3置于硅上,硅条形波导作为散热器,可以将焦耳热快速扩散,防止不稳定的状态过渡。具体的,当泵浦光功率低于阈值功率时,相变材料处于晶体状态,大量的信号光被吸收;当泵浦光功率高于阈值功率时,相变材料处于非晶形状态,大量的信号光可以通过。神经网络本身的“求和”和“加权”依赖于硅条形波导和Sb2S3覆盖的条形波导的级联,相变材料置于光学逻辑门和环形谐振腔的输出波导一侧,实现光学神经网络非线性激活函数的功能。
本发明实施例不需要电光和光电之间的转换,也避免了热效应影响。本器件采集输入的多路光学信号,通过可编程前向波导网格结构执行加权加法线性运算,通过Sb2S3相变材料执行非线性激活运算,最终通过光学探测器检测输出信号。
为解决当前光子神经网络的低效率问题,本发明利用硅作为集成光器件衬底,一方面可以利用现有的集成电路工艺制作光器件,有助于降低成本;另一方面,硅材料对通信波段的光吸收很小,有利于降低器件损耗,且硅和二氧化硅材料之间的折射率差大,增强了光器件对光场的限制,有助于减小硅基光集成器件尺寸,从而提高芯片的集成密度。所采用的MZI和环形谐振腔都属于纳米光学领域的基本结构,加工制造方便,便于级联,从而降低制造复杂性和未来的系统成本。本发明引入Sb2S3非线性材料,利用片上波导结构放大相变材料的非线性响应和减少光热效应,完成了片上集成非线性激活层的设计,实现了片上集成波导中进行非线性计算的目的。本发明采用全光纳米光学器件,具有可编程性,结构尺寸小,运算速度快,便于系统升级,实现多种复杂的数学运算。
基于上述目的,本发明实施例的第二个方面,提出了一种芯片,芯片包括光学神经网络,所述光学神经网络包括:输入层,所述输入层包括激光器、多个耦合器和多个输入波导,所述激光器产生光学输入信号,多个所述输入波导通过所述耦合器接收不同波长的光学输入信号;前向波导网格,所述前向波导网格包括线性变换层和非线性激活层,所述线性变换层和所述非线性激活层接收所述输入层输入的光学输入信号,并对所述光学输入信号进行加权加法线性运算和非线性激活运算;以及输出层,所述输出层包括多个输出波导和多个光电探测器阵列,所述多个光电探测器阵列通过所述输出波导接收从所述前向波导网格传出的经过线性和非线性运算的光学输出信号。
本领域技术人员应当理解,上述光学神经网络的技术特征和技术效果均适用于芯片,为了说明书的简洁,在此不再赘述。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种光学神经网络,其特征在于,包括:
输入层,所述输入层包括激光器、多个耦合器和多个输入波导,所述激光器产生光学输入信号,多个所述输入波导通过所述耦合器接收不同波长的光学输入信号;
前向波导网格,所述前向波导网格包括线性变换层和非线性激活层,所述线性变换层和所述非线性激活层接收所述输入层输入的光学输入信号,并对所述光学输入信号进行加权加法线性运算和非线性激活运算;以及
输出层,所述输出层包括多个输出波导和多个光电探测器阵列,所述多个光电探测器阵列通过所述输出波导接收从所述前向波导网格传出的经过线性和非线性运算的光学输出信号。
2.根据权利要求1所述的光学神经网络,其特征在于,所述前向波导网格的所述线性变换层和所述非线性激活层由光学逻辑门和环形谐振腔级联而成。
3.根据权利要求2所述的光学神经网络,其特征在于,所述光学逻辑门包括:
两个第二输入波导和两个第二输出波导;
光学耦合器,所述光学耦合器的输入端连接所述两个第二输入波导,所述光学耦合器的输出端连接所述两个第二输出波导;以及
光学相移器,所述光学相移器设置在所述两个第二输出波导之一上。
4.根据权利要求3所述的光学神经网络,其特征在于,所述环形谐振腔包括:
两条直波导和环形波导,所述环形波导设置在两条直波导之间;
第二光学相移器,所述第二光学相移器设置在所述两条直波导之一靠近输出端上;以及
第三光学相移器,所述第三光学相移器垂直于所述第二光学相移器设置在所述环形波导靠近输出端上。
5.根据权利要求4所述的光学神经网络,其特征在于,所述第二输出波导和所述直波导靠近输出端的一侧设置有相变材料层。
6.一种芯片,其特征在于,所述芯片包括光学神经网络,所述光学神经网络包括:
输入层,所述输入层包括激光器、多个耦合器和多个输入波导,所述激光器产生光学输入信号,多个所述输入波导通过所述耦合器接收不同波长的光学输入信号;
前向波导网格,所述前向波导网格包括线性变换层、信号传输层和非线性激活层,所述线性变换层和所述非线性激活层接收所述输入层输入的光学输入信号,并对所述光学输入信号进行加权加法线性运算和非线性激活运算;以及
输出层,所述输出层包括多个输出波导和多个光电探测器阵列,所述多个光电探测器阵列通过所述输出波导接收从所述前向波导网格传出的经过线性和非线性运算的光学输出信号。
7.根据权利要求6所述的芯片,其特征在于,所述前向波导网格的所述线性变换层和所述非线性激活层由光学逻辑门和环形谐振腔级联而成。
8.根据权利要求7所述的芯片,其特征在于,所述光学逻辑门包括:
两个第二输入波导和两个第二输出波导;
光学耦合器,所述光学耦合器的输入端连接所述两个第二输入波导,所述光学耦合器的输出端连接所述两个第二输出波导;以及
光学相移器,所述光学相移器设置在所述两个第二输出波导之一上。
9.根据权利要求8所述的芯片,其特征在于,所述环形谐振腔包括:
两条直波导和环形波导,所述环形波导设置在两条直波导之间;
第二光学相移器,所述第二光学相移器设置在所述两条直波导之一靠近输出端上;以及
第三光学相移器,所述第三光学相移器垂直于所述第二光学相移器设置在所述环形波导靠近输出端上。
10.根据权利要求9所述的芯片,其特征在于,所述第二输出波导和所述直波导靠近输出端的一侧设置有相变材料层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111097534.7A CN113839715B (zh) | 2021-09-18 | 2021-09-18 | 一种光学神经网络及芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111097534.7A CN113839715B (zh) | 2021-09-18 | 2021-09-18 | 一种光学神经网络及芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113839715A true CN113839715A (zh) | 2021-12-24 |
CN113839715B CN113839715B (zh) | 2023-08-04 |
Family
ID=78959826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111097534.7A Active CN113839715B (zh) | 2021-09-18 | 2021-09-18 | 一种光学神经网络及芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113839715B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115472603A (zh) * | 2022-08-30 | 2022-12-13 | 浙江大学 | 实现卷积神经网络的单片光子集成芯片 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351293A1 (en) * | 2016-06-02 | 2017-12-07 | Jacques Johannes Carolan | Apparatus and Methods for Optical Neural Network |
CN111683304A (zh) * | 2020-05-13 | 2020-09-18 | 中国科学院西安光学精密机械研究所 | 在光波导和/或光芯片上实现的全光衍射神经网络及系统 |
CN112232504A (zh) * | 2020-09-11 | 2021-01-15 | 联合微电子中心有限责任公司 | 一种光子神经网络 |
WO2021074656A1 (en) * | 2019-10-14 | 2021-04-22 | Dobos Janos | Infroton type artificial neural network |
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 |
-
2021
- 2021-09-18 CN CN202111097534.7A patent/CN113839715B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351293A1 (en) * | 2016-06-02 | 2017-12-07 | Jacques Johannes Carolan | Apparatus and Methods for Optical Neural Network |
CN109477938A (zh) * | 2016-06-02 | 2019-03-15 | 麻省理工学院 | 用于光学神经网络的设备和方法 |
WO2021074656A1 (en) * | 2019-10-14 | 2021-04-22 | Dobos Janos | Infroton type artificial neural network |
CN111683304A (zh) * | 2020-05-13 | 2020-09-18 | 中国科学院西安光学精密机械研究所 | 在光波导和/或光芯片上实现的全光衍射神经网络及系统 |
CN112232504A (zh) * | 2020-09-11 | 2021-01-15 | 联合微电子中心有限责任公司 | 一种光子神经网络 |
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 |
Non-Patent Citations (6)
Title |
---|
BOWEN BAI ET AL.: "《Towards silicon photonic neural networks for artificial intelligence》", 《SCIENCE CHINA INFORMATION SCIENCES》 * |
BOWEN BAI ET AL.: "《Towards silicon photonic neural networks for artificial intelligence》", 《SCIENCE CHINA INFORMATION SCIENCES》, 9 May 2020 (2020-05-09) * |
J. FELDMANN ET AL.: "《All-optical spiking neurosynaptic networks with self-learning capabilities》", 《NATURE》 * |
J. FELDMANN ET AL.: "《All-optical spiking neurosynaptic networks with self-learning capabilities》", 《NATURE》, 8 May 2019 (2019-05-08) * |
XIUBAO SUI ET AL.: "《A Review of Optical Neural Networks》", 《IEEE》 * |
XIUBAO SUI ET AL.: "《A Review of Optical Neural Networks》", 《IEEE》, 13 April 2020 (2020-04-13) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115472603A (zh) * | 2022-08-30 | 2022-12-13 | 浙江大学 | 实现卷积神经网络的单片光子集成芯片 |
CN115472603B (zh) * | 2022-08-30 | 2023-08-08 | 浙江大学 | 基于光频梳实现卷积神经网络的单片光子集成芯片 |
Also Published As
Publication number | Publication date |
---|---|
CN113839715B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Programmable phase-change metasurfaces on waveguides for multimode photonic convolutional neural network | |
CN109639359B (zh) | 基于微环谐振器的光子神经网络卷积层芯片 | |
Biberman et al. | Optical interconnection networks for high-performance computing systems | |
Rakshit et al. | Design of ring resonator based all optical switch for logic and arithmetic operations–a theoretical study | |
Beausoleil et al. | Photonic architectures for high-performance data centers | |
Stabile et al. | Neuromorphic photonics: 2D or not 2D? | |
CN113890620B (zh) | 基于可调谐滤波器的硅基片上光子神经网络及其调制方法 | |
US5150242A (en) | Integrated optical computing elements for processing and encryption functions employing non-linear organic polymers having photovoltaic and piezoelectric interfaces | |
CN113657580A (zh) | 基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器 | |
US20240061282A1 (en) | An optical device, an electronic device, and a programmable photonic integrated circuit | |
Dabos et al. | Neuromorphic photonic technologies and architectures: scaling opportunities and performance frontiers | |
Shi et al. | Nonlinear germanium-silicon photodiode for activation and monitoring in photonic neuromorphic networks | |
CN113839715B (zh) | 一种光学神经网络及芯片 | |
CN115905792A (zh) | 一种用于光学实数矩阵计算的马赫曾德尔干涉仪网络 | |
Zhu et al. | Dota: A dynamically-operated photonic tensor core for energy-efficient transformer accelerator | |
Shen et al. | Power conservation version of application-specific photonic integrated circuit | |
Rakshit et al. | Design of micro ring resonator based all optical adder/subtractor | |
WO2023283981A1 (zh) | 直波导型相变全光布尔逻辑器件及其全二元逻辑实现方法 | |
CN210136383U (zh) | 一种二进制全光四选一数据选择器 | |
Jung et al. | Polymer-based optical switch for future metro-area networks | |
Dan et al. | Optoelectronic integrated circuits for analog optical computing: Development and challenge | |
CN104503185B (zh) | 一种基于微环谐振器的二进制光学减法器 | |
Wei et al. | Inverse design of compact nonvolatile reconfigurable silicon photonic devices with phase-change materials | |
Le Beux et al. | Reconfigurable photonic switching: Towards all-optical FPGAs | |
CN106647101B (zh) | 电光逻辑或非门 |
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 |