CN113890620B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113890620B CN113890620B CN202010620808.5A CN202010620808A CN113890620B CN 113890620 B CN113890620 B CN 113890620B CN 202010620808 A CN202010620808 A CN 202010620808A CN 113890620 B CN113890620 B CN 113890620B
- Authority
- CN
- China
- Prior art keywords
- tunable filter
- filter
- mzi
- optical signal
- neural network
- 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
-
- 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
-
- 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
- H04B10/516—Details of coding or modulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Optical Integrated Circuits (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明公开了一种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、装置,其中,硅基片上光子神经网络包括:MZI网络结构、光电探测器、光源和可调谐滤波器;MZI网络的输入端为光波输入端,输出端连接光电探测器的输入端,用于对输入光波进行线性运算;光电探测器的输出端连接可调谐滤波器的电极输入端,用于将MZI网络线性运算后输出的光信号转换为电信号,为可调谐滤波器提供调制信号;光源设置在可调谐滤波器的光信号输入端,用于为可调谐滤波器提供光信号;可调谐滤波器用于根据电信号和光源提供的光信号进行调制,输出端输出光波。该光子神经网络功耗低、延时低、能效比高、精度高。
Description
技术领域
本发明涉及光通信技术领域,特别涉及一种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、装置。
背景技术
近年来,人工智能和大数据技术迅速发展,对芯片的计算能力,尤其是速率和功耗提出了更高的要求。传统的电子芯片受限于摩尔定律,其集成度和计算能力提升缓慢。而光子芯片,因其作为信息处理载体的超高传输速度、超低功耗,受到了越来越多的关注。其中,硅基光子芯片基于绝缘体上硅(SOI,Silicon-on-Insulator)材料制成,与传统的CMOS(Complementary Metal-Oxide-Semiconductor)工艺相兼容,具有高速率、低功耗、低功耗、高集成度和抗电磁干扰等优势,是目前光芯片的主要实现方式。
基于大规模数据处理的机器学习是人工智能技术的重要实现方法,其中人工神经网络(ANNs,Artificial Neural Networks)算法是机器学习中常用的算法之一,目前主要是通过电学CMOS芯片来实现计算。随着数据量和计算复杂度的提升,现有的CMOS计算芯片已不足以满足神经网络的计算需求。相较于电学CMOS芯片,用光子技术实现神经网络可在计算速度有较大提升(光子人工智能芯片的计算速度大概是电子芯片的三个数量级),同时功耗远远低于电学芯片。人工神经网络包括输入层、隐藏层和输出层,每一层中信息通过线性组合传播,如矩阵乘法,后通过非线性激活函数处理,具体的运算主要包括矩阵乘法运算和非线性激活函数部分。目前,针对光子神经网络芯片,人们集中研究人工神经网络中线性运算即矩阵乘法计算部分的光学实现,如采用硅基MZI网络结构或基于波分复用系统的微环权重库来实现矩阵运算等。但是,对于非线性激活函数部分仍然采用电学方法来实现,无法和矩阵预算部分实现片上集成,仍存在运算速度低,功耗较高的问题。
综上所述,为了适应大数据时代的快速发展,实现适用于片上神经网络的光子计算芯片是光计算代替电计算发展的必然之路,也是目前研究重点。非线性激活函数的光学实现或片上集成技术仍然处于探索阶段,为了实现低功耗、低延时、高能效比、高精度的光子神经网络芯片,找到一个适合光子神经网络的激励函数迫在眉睫。
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基于可调谐滤波器的硅基片上光子神经网络,该光子神经网络功耗低、延时低、能效比高、精度高。
本发明的另一个目的在于提出一种利用基于可调谐滤波器的硅基片上光子神经网络的调制方法。
本发明的再一个目的在于提出一种利用基于可调谐滤波器的硅基片上光子神经网络的调制装置。
为达到上述目的,本发明一方面实施例提出了一种基于可调谐滤波器的硅基片上光子神经网络,包括:
MZI网络、光电探测器、光源和可调谐滤波器;
所述MZI网络的输入端为光波输入端,输出端连接所述光电探测器的输入端,用于对输入光波进行线性运算;
所述光电探测器的输出端连接所述可调谐滤波器的电极输入端,用于将所述MZI网络线性运算后输出的光信号转换为电信号,为所述可调谐滤波器提供调制信号;
所述光源设置在所述可调谐滤波器的光信号输入端,用于为所述可调谐滤波器提供光信号;
所述可调谐滤波器用于根据所述电信号和所述光源提供的光信号进行调制,输出端输出光波。
为达到上述目的,本发明另一方面实施例提出了一种利用基于可调谐滤波器的硅基片上光子神经网络的调制方法,包括以下步骤:
利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器;
利用所述光电探测器将所述光信号转换为电信号,并将所述电信号输入到可调谐滤波器中;
利用热调或电调改变光波导的有效折射率实现所述可调谐滤波器,并通过光源为所述可调谐滤波器施加与线性运算波长相同的光信号;
根据所述电信号和所述光源提供的光信号进行调制,输出端输出光波。
为达到上述目的,本发明再一方面实施例提出了一种利用基于可调谐滤波器的硅基片上光子神经网络的调制装置,包括:
输入模块,用于利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器;
转换模块,用于利用所述光电探测器将所述光信号转换为电信号,并将所述电信号输入到可调谐滤波器中;
外加光源模块,用于利用热调或电调改变光波导的有效折射率实现所述可调谐滤波器,并通过光源为所述可调谐滤波器施加与线性运算波长相同的光信号;
调制模块,用于根据所述电信号和所述光源提供的光信号进行调制,输出端输出光波。
本发明实施例的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、装置,具有如下优势:
(1)光子神经网络芯片功耗低、延时低、能效比高以及精度高;
(2)每一层非线性激活函数部分的输入光信号是单独光源输入的,输出光强和输入光强呈正相关,解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
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为根据本发明一个实施例的基于可调谐滤波器的硅基片上光子神经网络结构示意图;
图2为根据本发明一个实施例的MZI网络结构示意图;
图3为根据本发明一个实施例的可调谐FP腔滤波器结构示意图;
图4为根据本发明一个实施例的可调谐布拉格光栅滤波器结构示意图;
图5为根据本发明一个实施例的可调谐微环滤波器结构示意图;
图6为根据本发明一个实施例的可调谐MZI滤波器结构示意图;
图7为根据本发明一个实施例的可调谐滤波器输出光谱示意图;
图8为根据本发明一个实施例的可调谐滤波器非线性关系图;
图9为根据本发明一个实施例的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法流程图;
图10为根据本发明一个实施例的利用基于可调谐滤波器的硅基片上光子神经网络的调制装置结构示意图。
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、装置。
首先将参照附图描述根据本发明实施例提出的基于可调谐滤波器的硅基片上光子神经网络。
图1为根据本发明一个实施例的基于可调谐滤波器的硅基片上光子神经网络结构示意图。
如图1所示,该基于可调谐滤波器的硅基片上光子神经网络包括:
MZI网络1、光电探测器2、光源3和可调谐滤波器4。
以4×4光子神经网络为例,12为4×4线性运算和非线性运算片上集成结构。1为线性运算的MZI网络结构,6为非线性激活函数实现模块部分,非线性激活函数实现模块由光电探测器、光源和可调谐滤波器组成。
MZI网络1的输入端为光波输入端,输出端连接光电探测器的输入端,用于对输入光波进行线性运算。
具体地,本申请中的光子神经网络线性运算部分是基于MZI(马赫-曾德尔干涉仪)网络结构实现的如矩阵乘法运算的线性运算,整体上是基于SOI波导实现的片上神经网络。
MZI网络为阵列结构,包括多个基本单元,如图2所示,展示了MZI网络的基本单元结构7和MZI基本单元展开结构11,其中,基本单元结构7包括耦合器、外部移相器和内部移相器,耦合器在外部移相器和内部移相器之间。
进一步地,光电探测器的输出端连接可调谐滤波器的电极输入端,利用MZI网络对输入光波进行线性运算,线性运算后得到的光信号输入到光电探测器中,光电探测器将光信号转换为电信号,并输入到可调谐滤波器的电极输入端,作为可调谐滤波器的调制信号加在可调谐滤波器上。
进一步地,利用热调或材料的等离子色散效应进行电调改变光波导的有效折射率以实现可调谐滤波器。
具体而言,可调谐滤波器包括热电极或载流子掺杂层,利用热电极将热能传递给光波导改变光波导的有效折射率或者载流子掺杂层形成热电阻,热电阻通电流时发热从而引起光波导折射率变化。
还可以通过材料的等离子色散效应的电光调制改变光波导的有效折射率实现可调谐滤波器。
在本发明的一个实施例中,可调谐滤波器可以由基于SOI光波导(薄膜硅材料(Silicon-on-insulator,SOI))的热调布拉格反射光栅滤波器、微环滤波器、FP腔滤波器、MZI滤波器等制成。
如图3所示,展示了可调谐FP腔滤波器结构,其中,13为硅衬底,14为二氧化硅埋氧层,15为加热层(结构不限),16为光波导,17为布拉格反射光栅(结构不限)。
如图4所示,展示了可调谐布拉格光栅滤波器结构,其中,13为硅衬底,14为二氧化硅埋氧层,15为加热层(结构不限),17为布拉格反射光栅(结构不限)。
如图5所示,展示了可调谐微环滤波器结构,其中,13为硅衬底,14为二氧化硅埋氧层,15为加热层(结构不限),16为光波导,18为单个微环腔体。
如图6所示,展示了可调谐MZI滤波器结构,其中,13为硅衬底,14为二氧化硅埋氧层,15为加热层(结构不限),16为光波导,19为2×2多模干涉仪(Multimode Interference,MMI)。
如图1所示,光源设置在可调谐滤波器的光信号输入端,为可调谐滤波器单独提供光信号。可调谐滤波器根据电信号和光源提供的光信号进行调制,输出端输出光波5。
进一步地,光源为可调谐滤波器的输入光信号为与线性运算相同波长的光信号,作为可调谐滤波器的输入光信号。初始无调制状态下,设计可调谐滤波器的中心波长与输入光信号波长相等,如图7所示,此时可调谐滤波器在中心波长处的反射率达到最大,透射率最小,输出光强近似为0。随着线性运算的输出光强的变化,加在可调谐滤波器上的调制电信号发生变化,调谐滤波器的中心波长向右偏移,输入光信号波长处光波的透射强度随之发生改变,从而使得滤波器的输出光强和MZI阵列的输出光强呈非线性的关系。
如图8所示,设计可调谐滤波器的带宽和自由光谱范围(Free Spectral Range,FSR)在一定的范围内,当MZI阵列的输出光强比较小时,滤波器输出光强也会较小,当MZI阵列的输出光强比较大时,滤波器输出光强也会较大。因此,针对MZI网络的输出光信号而言,可调谐滤波器中光波的传输自然地实现了一个近似tanh的函数,从而实现光子神经网络中片上集成线性矩阵乘法运算和非线性激活函数,进一步提高了网络中运算的速度和能效比。
进一步地,在本发明的一个实施例中,将MZI网络、光电探测器、光源和可调谐滤波器组成的光子神经网络级联,得到多层光子神经网络。
具体而言,可调谐滤波器的输出光信号可以直接输入到下一层MZI网络结构中,进而实现多层网络的级联。
在本发明的实施例中,每一层非线性激活函数部分的输入光信号是单独光源输入的,输出光强和输入光强呈正相关,同时也解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
根据本发明实施例提出的基于可调谐滤波器的硅基片上光子神经网络,通过MZI网络对输入光波进行线性运算;光电探测器用于将MZI网络线性运算后输出的光信号转换为电信号;通过光源为可调谐滤波器提供光信号;可调谐滤波器根据电信号和光源提供的光信号进行调制,输出光波。由此,实现低功耗、低延时、高能效比、高精度的光子神经网络芯片,并且每一层非线性激活函数部分的输入光信号是单独光源输入的,输出光强和输入光强呈正相关,同时也解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
其次参照附图描述根据本发明实施例提出的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法。
图9为根据本发明一个实施例的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法流程图。
如图9所示,该利用基于可调谐滤波器的硅基片上光子神经网络的调制方法包括以下步骤:
S1,利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器。
S2,利用光电探测器将光信号转换为电信号,并将电信号输入到可调谐滤波器中。
S3,利用热调或电调改变光波导的有效折射率实现可调谐滤波器,并通过光源为可调谐滤波器施加与线性运算波长相同的光信号。
S4,根据电信号和光源提供的光信号进行调制,输出端输出光波。
具体地,当线性运算部分结束后,光波从MZI阵列输出,经过片上集成的光电探测器,将光信号转换为电信号,作为可调谐滤波器的调制信号加在可调谐滤波器上,通过热调或者电调改变光波导的有效折射率。给可调谐滤波器输入与线性运算相同波长的光信号,作为可调谐滤波器的输入光信号。初始无调制状态下,设计可调谐滤波器的中心波长与输入光信号波长相等。
需要说明的是,前述对光子神经网络实施例的解释说明也适用于该实施例的方法,此处不再赘述。
根据本发明实施例提出的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法,利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器;利用光电探测器将光信号转换为电信号,并将电信号输入到可调谐滤波器中;利用热调或电调改变光波导的有效折射率实现可调谐滤波器,并通过光源为可调谐滤波器施加与线性运算波长相同的光信号;根据电信号和光源提供的光信号进行调制,输出端输出光波。由此,实现低功耗、低延时、高能效比、高精度的光子神经网络芯片,并且每一层非线性激活函数部分的输入光信号是单独光源输入的,输出光强和输入光强呈正相关,同时也解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
其次参照附图描述根据本发明实施例提出的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法。
图10为根据本发明一个实施例的利用基于可调谐滤波器的硅基片上光子神经网络的调制装置结构示意图。
如图10所示,该利用基于可调谐滤波器的硅基片上光子神经网络的调制装置包括:输入模块100、转换模块200、外加光源模块300和调制模块400。
输入模块100,用于利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器。
转换模块200,用于利用光电探测器将光信号转换为电信号,并将电信号输入到可调谐滤波器中。
外加光源模块300,用于利用热调或电调改变光波导的有效折射率实现可调谐滤波器,并通过光源为可调谐滤波器施加与线性运算波长相同的光信号。
调制模块400,用于根据电信号和光源提供的光信号进行调制,输出端输出光波。
需要说明的是,前述对光子神经网络实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本发明实施例提出的利用基于可调谐滤波器的硅基片上光子神经网络的调制装置,利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器;利用光电探测器将光信号转换为电信号,并将电信号输入到可调谐滤波器中;利用热调或电调改变光波导的有效折射率可调谐滤波器,并通过光源为可调谐滤波器施加与线性运算波长相同的光信号;根据电信号和光源提供的光信号进行调制,输出端输出光波。由此,实现低功耗、低延时、高能效比、高精度的光子神经网络芯片,并且每一层非线性激活函数部分的输入光信号是单独光源输入的,输出光强和输入光强呈正相关,同时也解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
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 (8)
1.一种基于可调谐滤波器的硅基片上光子神经网络,其特征在于,包括:
MZI网络、光电探测器、光源和可调谐滤波器;
所述MZI网络的输入端为光波输入端,输出端连接所述光电探测器的输入端,用于对输入光波进行线性运算;
所述光电探测器的输出端连接所述可调谐滤波器的电极输入端,用于将所述MZI网络线性运算后输出的光信号转换为电信号,为所述可调谐滤波器提供调制信号;
所述光源设置在所述可调谐滤波器的光信号输入端,用于为所述可调谐滤波器提供光信号;
所述可调谐滤波器用于根据所述电信号和所述光源提供的光信号进行调制,输出端输出光波;
其中,所述可调谐滤波器包括基于SOI光波导的热调布拉格反射光栅滤波器或微环滤波器或FP腔滤波器或MZI滤波器;
所述基于可调谐滤波器的硅基片上光子神经网络,利用热调或电调改变光波导的有效折射率实现所述可调谐滤波器。
2.根据权利要求1所述的基于可调谐滤波器的硅基片上光子神经网络,其特征在于,所述MZI网络包括多个基本单元,所述基本单元包括耦合器、外部移相器和内部移相器,所述耦合器在所述外部移相器和所述内部移相器之间。
3.根据权利要求1所述的基于可调谐滤波器的硅基片上光子神经网络,其特征在于,所述可调谐滤波器的输入光信号为与线性运算相同波长的光信号。
4.根据权利要求1所述的基于可调谐滤波器的硅基片上光子神经网络,其特征在于,在初始无调制状态时,所述可调谐滤波器的中心波长与所述可调谐滤波器的输入光信号波长相同。
5.根据权利要求1所述的基于可调谐滤波器的硅基片上光子神经网络,其特征在于,所述可调谐滤波器进一步用于,
线性运算后输出的光信号的光强发生变化,施加在所述可调谐滤波器上的调制电信号发生变化,所述可调谐滤波器的中心波长发生偏移,输入光信号波长处光波的透射强度发生改变,使得所述可调谐滤波器的输出光强和所述MZI网络的输出光强呈非线性的关系,通过所述可调谐滤波器的输出端输出光波。
6.根据权利要求1所述的基于可调谐滤波器的硅基片上光子神经网络,其特征在于,还包括:将所述MZI网络、所述光电探测器、所述光源和所述可调谐滤波器组成的光子神经网络级联,得到多层光子神经网络。
7.一种利用权利要求1-6任一项所述的基于可调谐滤波器的硅基片上光子神经网络的调制方法,其特征在于,包括以下步骤:
利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器;
利用所述光电探测器将所述光信号转换为电信号,并将所述电信号输入到可调谐滤波器中;
利用热调或电调改变光波导的有效折射率实现所述可调谐滤波器,并通过光源为所述可调谐滤波器施加与线性运算波长相同的光信号;
根据所述电信号和所述光源提供的光信号进行调制,输出端输出光波;
其中,所述可调谐滤波器包括基于SOI光波导的热调布拉格反射光栅滤波器或微环滤波器或FP腔滤波器或MZI滤波器。
8.一种利用权利要求1-6任一项所述的基于可调谐滤波器的硅基片上光子神经网络的调制装置,其特征在于,包括以下模块 :
输入模块,用于利用MZI网络对输入光波进行线性运算,将线性运算后得到的光信号输入至光电探测器;
转换模块,用于利用所述光电探测器将所述光信号转换为电信号,并将所述电信号输入到可调谐滤波器中;
外加光源模块,用于利用热调或电调改变光波导的有效折射率实现所述可调谐滤波器,并通过光源为所述可调谐滤波器施加与线性运算波长相同的光信号;
调制模块,用于根据所述电信号和所述光源提供的光信号进行调制,输出端输出光波;
其中,所述可调谐滤波器包括基于SOI光波导的热调布拉格反射光栅滤波器或微环滤波器或FP腔滤波器或MZI滤波器。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620808.5A CN113890620B (zh) | 2020-07-01 | 2020-07-01 | 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 |
PCT/CN2020/134670 WO2022001002A1 (zh) | 2020-07-01 | 2020-12-08 | 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 |
JP2022501202A JP7420356B2 (ja) | 2020-07-01 | 2020-12-08 | チューナブルフィルタに基づくシリコン基板上のフォトニックニューラルネットワーク及びその変調方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620808.5A CN113890620B (zh) | 2020-07-01 | 2020-07-01 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113890620A CN113890620A (zh) | 2022-01-04 |
CN113890620B true CN113890620B (zh) | 2023-03-14 |
Family
ID=79012614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010620808.5A Active CN113890620B (zh) | 2020-07-01 | 2020-07-01 | 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 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7420356B2 (zh) |
CN (1) | CN113890620B (zh) |
WO (1) | WO2022001002A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358270A (zh) * | 2022-01-07 | 2022-04-15 | 南京鼎芯光电科技有限公司 | 一种多维复用技术的光子神经网络及实现方法 |
WO2023140788A2 (en) * | 2022-01-18 | 2023-07-27 | National University Of Singapore | Photonic neural network accelerator |
CN114358271B (zh) * | 2022-03-18 | 2022-07-12 | 之江实验室 | 一种时间-波长交织光子神经网络卷积加速芯片 |
CN115508958B (zh) * | 2022-10-08 | 2024-05-24 | 深圳中科天鹰科技有限公司 | 一种基于光学神经网络的光子芯片 |
CN117891023B (zh) * | 2024-03-15 | 2024-05-31 | 山东云海国创云计算装备产业创新中心有限公司 | 光子芯片、异构计算系统、精度调整方法及产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1037415A1 (en) * | 1999-03-16 | 2000-09-20 | PIRELLI CAVI E SISTEMI S.p.A. | Tunable optical filter |
CN109379138A (zh) * | 2018-08-24 | 2019-02-22 | 中国电子科技集团公司第二十九研究所 | 基于光子神经网络的高线性微波光子链路实现方法及结构 |
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 |
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 |
WO2019217836A1 (en) * | 2018-05-10 | 2019-11-14 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for activation functions for photonic neural networks |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2711772A1 (en) | 2006-02-14 | 2014-03-26 | Coveytech, LLC | All-optical logic gates using nonlinear elements |
US8078014B1 (en) * | 2008-09-22 | 2011-12-13 | Hrl Laboratories, Llc | High-speed electro-optical modulator |
US9335568B1 (en) * | 2011-06-02 | 2016-05-10 | Hrl Laboratories, Llc | Electro-optic grating modulator |
US11017309B2 (en) | 2017-07-11 | 2021-05-25 | Massachusetts Institute Of Technology | Optical Ising machines and optical convolutional neural networks |
JP6833756B2 (ja) | 2018-04-13 | 2021-02-24 | 日本電信電話株式会社 | 光演算素子と多層ニューラルネットワーク |
TWI735886B (zh) | 2018-06-05 | 2021-08-11 | 美商光子智能股份有限公司 | 計算系統 |
US11604978B2 (en) * | 2018-11-12 | 2023-03-14 | Massachusetts Institute Of Technology | Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out |
CN110505021B (zh) * | 2019-08-26 | 2021-04-09 | 光子算数(北京)科技有限责任公司 | 一种光通信装置、光通信系统及光信号处理方法 |
CN110956259B (zh) * | 2019-11-22 | 2023-05-12 | 联合微电子中心有限责任公司 | 一种基于正向传播的光子神经网络训练方法 |
-
2020
- 2020-07-01 CN CN202010620808.5A patent/CN113890620B/zh active Active
- 2020-12-08 JP JP2022501202A patent/JP7420356B2/ja active Active
- 2020-12-08 WO PCT/CN2020/134670 patent/WO2022001002A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1037415A1 (en) * | 1999-03-16 | 2000-09-20 | PIRELLI CAVI E SISTEMI S.p.A. | Tunable optical filter |
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 |
WO2019217836A1 (en) * | 2018-05-10 | 2019-11-14 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for activation functions for photonic neural networks |
CN109379138A (zh) * | 2018-08-24 | 2019-02-22 | 中国电子科技集团公司第二十九研究所 | 基于光子神经网络的高线性微波光子链路实现方法及结构 |
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 |
Non-Patent Citations (3)
Title |
---|
A Single Layer Neural Network Implemented by a 4×4 MZI-Based Optical Processor;Farhad Shokraneh; Simon Geoffroy-Gagnon;《IEEE Photonics Journal》;20191111;第11卷(第6期);全文 * |
Reprogrammable Electro-Optic Nonlinear Activation Functions for Optical Neural Networks;Ian A. D. Williamson; Tyler W. Hughes; Momchil Minkov;《IEEE Journal of Selected Topics in Quantum Electronics》;20190723;第26卷(第1期);全文 * |
光子神经网络发展与挑战;陈宏伟等;《中国激光》(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022001002A1 (zh) | 2022-01-06 |
CN113890620A (zh) | 2022-01-04 |
JP7420356B2 (ja) | 2024-01-23 |
JP2022542009A (ja) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yang et al. | On-chip CMOS-compatible optical signal processor | |
Jia et al. | WDM-compatible multimode optical switching system-on-chip | |
McKay et al. | Brillouin-based phase shifter in a silicon waveguide | |
CN104977733B (zh) | 一种硅基非互易器件结构与电控非互易实现方法 | |
Shoman et al. | Compact wavelength-and bandwidth-tunable microring modulator | |
Akiyama et al. | High-speed and efficient silicon modulator based on forward-biased pin diodes | |
Jafari et al. | High-efficiency silicon photonic modulator using coupled Bragg grating resonators | |
Luan et al. | Towards a high-density photonic tensor core enabled by intensity-modulated microrings and photonic wire bonding | |
CN112147740A (zh) | 一种基于集成硅波导的多工作频段、可编程微波光子滤波器 | |
Rostami et al. | Full optical analog to digital (A/D) converter based on Kerr-like nonlinear ring resonator | |
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 | |
Saharia et al. | Elementary reflected code converter using a silicon nitride-based microring resonator | |
Gao et al. | Seven-channel all-optical reconfigurable canonical logic units multicasting at 40 Gb/s based on a nonlinearity-enhanced silicon waveguide | |
Tripathi | Evaluating RSOA performance with optical logic gates at 100 Gbps data rate | |
Liu et al. | Ultrahigh extinction ratio silicon micro-ring modulator by MDM resonance for high speed PAM-4 and PAM-8 signaling | |
Yu et al. | Reconfigurable low-threshold all-optical nonlinear activation functions based on an add-drop silicon microring resonator | |
Aamer et al. | Increased sensitivity through maximizing the extinction ratio of SOI delay-interferometer receiver for 10G DPSK | |
CN106842631B (zh) | 一种可集成多功能光学调制器 | |
US6320990B1 (en) | High-performance electro-optic intensity modulator using polymeric waveguides and grating modulation | |
Xiong et al. | Advances and marine applications of optical neural network | |
CN104503185B (zh) | 一种基于微环谐振器的二进制光学减法器 | |
Mirza et al. | Opportunities for cross-layer design in high-performance computing systems with integrated silicon photonic networks | |
CN113673677A (zh) | 一种非线性激活函数relu的实现方法、设备及介质 | |
Luan et al. | Photonic dot-product engine for optical signal and information processing |
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 |