CN114266346A - 基于相变材料的可重构光学神经网络及其应用 - Google Patents
基于相变材料的可重构光学神经网络及其应用 Download PDFInfo
- Publication number
- CN114266346A CN114266346A CN202111586133.8A CN202111586133A CN114266346A CN 114266346 A CN114266346 A CN 114266346A CN 202111586133 A CN202111586133 A CN 202111586133A CN 114266346 A CN114266346 A CN 114266346A
- Authority
- CN
- China
- Prior art keywords
- phase change
- change material
- optical
- neural network
- 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.)
- Pending
Links
Images
Landscapes
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明公开了一种基于相变材料的可重构光学神经网络及其应用,属于光学神经网络领域,包括:光信息输入层、可重构衍射层和探测输出层;可重构衍射层包括n个相互平行且间隔设置的光学衍射板,用于对入射光的强度分布进行调控,得到待测平面光;光学衍射板包括依次设置的基底、相变材料层和保护层,且相变材料层和保护层被划分为多个独立区域,形成多个单元,单元内的相变材料可在包括晶态和非晶态的多个状态之间切换;光信息输入层用于产生携带有输入图像信息且正入射可重构衍射层的入射平面光;探测输出层,用于探测待测平面光中m个预设位置处的功率大小,以确定图像分类结果。本发明能够提供可重构的全光神经网络,提高光学神经网络的灵活性。
Description
技术领域
本发明属于光学神经网络领域,更具体地,涉及一种基于相变材料的可重构光学神经网络及其应用。
背景技术
随着计算机科学的发展,神经网络已经在生活中诸如大数据、图片识别等领域得到了广泛的应用。然而基于冯诺依曼结构的现代计算机所采用的串行运算机制在进行基于并行结构的神经网络训练与计算时是低效且高能耗的,因此在面对越来越复杂的网络结构和数据量时逐渐在算力和功耗上进入了瓶颈。为解决这一问题,全光神经网络被认为是一个有潜力的方案。
全光神经网络是一种基于光学器件实现的硬件网络,其优势在于由于信息由光承载,网络的计算可以以光速实现,并且能够明显降低功耗。目前全光神经网络主要有两条技术路线,其一是基于波导结构与可调光器件集成的片上方案,该方案集成度高但网络复杂度和总器件数随神经元总数增加而快速上升,扩展性有限。
另一种方案是基于自由空间光学衍射,该方案体积略大但扩展性和可靠性均优于片上方案,但是目前提出的自由空间衍射方案所实现的光学神经网络,在制成后其设计便是固定的,每个神经元的相位、振幅、传输/反射系数均不可更改,也即是说,网络权重、激活函数均不可更改,因此,只能实现单一预设功能,当功能发生变化时,需要重新设计新的光学神经网络,灵活性较差。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于相变材料的可重构光学神经网络及其应用,其目的在于,将晶态,非晶态与若干中间态下存在折射率差且具有非易失性的相变材料应用于神经元,使各神经元中激活函数偏移值可调,从而构建可重构的全光神经网络,提高光学神经网络的灵活性。
为实现上述目的,按照本发明的一个方面,提供了一种基于相变材料的可重构光学神经网络,用于实现图像分类,包括:光信息输入层、可重构衍射层和探测输出层;
可重构衍射层包括n个相互平行且间隔设置的光学衍射板,对应光学神经网络中的n个全连接层;光学衍射板包括依次设置的基底、相变材料层和保护层,且相变材料层和保护层被划分为多个独立区域,相应形成多个单元,每个单元内的相变材料可在多个状态之间切换,多个状态包括晶态和非晶态,光通过单元时受其中相变材料调控所产生的额外相移与相变材料的状态一一对应;每个单元对应光学神经网络中的一个神经元,相邻光学衍射板中单元间的衍射关系对应光学神经网络中的权重,光通过单元时受其中相变材料调控所产生的额外相移对应光学神经网络中激活函数的偏移值;n为正整数;
光信息输入层用于产生携带有输入图像信息且正入射可重构衍射层的入射平面光;
可重构衍射层,用于利用其中的光学衍射板对入射光的强度分布进行调控,得到待测平面光;
探测输出层,用于探测待测平面光中m个预设位置处的功率大小;m为类别数,且m个预设位置与m个类别一一对应,功率最大的预设位置所对应的类别为图像分类结果。
进一步地,相变材料至少具有晶态和非静态两种折射率不同的状态。
在一些可选的实施例中,相变材料为Sb2Se3。
进一步地,保护层材料应有较高熔点以防止相变材料相变时发生劣化,对入射光波段应有低吸收保证低传输损耗。
进一步地,保护层材料具备导电性,使通过电脉冲控制相变单元状态成为可能。
在一些可选的实施例中,保护材料为ITO(氧化铟锡)。
进一步地,光信息输入层包括:照明光源和扩束装置;
照明光源用于产生原始光斑;
扩束装置用于将原始光斑扩大至可完整覆盖输入图像;
工作时,输入图像置于扩束装置之后预设的输入位置处,经扩束装置扩大后的原始光斑透过输入图像后,形成入射平面光。
进一步地,探测输出层包括位于同一平面的m个光功率探测器,m个光功率探测器分别设置于m个预设位置处。
进一步地,单元中相变材料的多个状态还包括:晶态和非晶态之间的中间态。
按照本发明的另一个方面,提供了上述基于相变材料的可重构光学神经网络的训练方法,包括:
将每个单元作为光学神神经网络中的一个神经元,根据空间位置,计算相邻光学衍射板中单元间的衍射关系,作为对应神经元的权重,并在训练过程中保持固定;
神经元中的激活函数设为具有离散值的分段函数,并将单元中相变材料的至少两种状态分别映射为对应神经元中激活函数中的不同偏移值;
获得由已知类别的图像所构成的数据集,将其中的图像作为可重构光学神经网络的输入图像,将对应的图像类别作为标签信息,对基于相变材料的可重构光学神经网络进行训练,以确定各光学衍射板中、各单元中相变材料的状态;训练算法采用反向传播算法,且利用直通估计器计算梯度;
按照训练结果设置各光学衍射板中、各单元中相变材料的状态。
在一些可选的实施例中,设置单元中相变材料状态的方式包括:
利用第一激光脉冲聚焦于单元,使其中的相变材料由非晶态切换为晶态;
利用第二激光脉冲聚焦于单元,使其中的相变材料由晶态切换为非晶态;
两种激光脉冲中,第一激光脉冲的功率较低,且脉宽较大。
进一步地,设置单元中相变材料状态的方式,还包括:
利用第三激光脉冲聚焦于单元,使其中的相变材料由非晶态切换为中间态;第三激光脉冲的功率与第一激光脉冲相同,且脉宽介于第一激光脉冲和第二激光脉冲之间。
按照本发明的又一个方面,提供了一种图像分类方法,包括:
将由本发明提供的上述训练方法训练得到的可重构光学神经网络作为图像分类网络;
将待分类图像作为图像分类网络的输入图像,以由图像分类网络输出对应的图像分类结果。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明所提供的基于相变材料的可重构光学神经网络,其中包含多个光学衍射板,对应光学神经网络中的多个全连接层;每个光学衍射板中包含多个独立单元,每个单元对应光学神经网络中的一个神经元,相邻光学衍射板中单元间的衍射关系对应光学神经网络中的权重;每个单元包含相变材料层,且其中的相变材料可在晶态、非晶态等状态之间切换,光通过单元时受其中相变材料调控所产生的额外相移对应光学神经网络中激活函数的偏移值,且该偏移值与相变材料的状态一一对应,因此,本发明所建立的光学神经网络具有可重构性,在光学神经网络建成后,可通过调整单元中相变材料的状态,对光学神经网络中神经元的激活函数进行调整,在结构不变的情况下即可实现新的功能,大大提高了光学神经网络的灵活性。
(2)本发明在对光学神经网络进行训练时,由于其中可学习的参数,即激活函数偏移值,为离散值,其梯度几乎处处为零,无法有效应用于网络参数优化,本发明利用直通估计器计算梯度,可以有效解决该梯度问题,保证了训练所得的光学神经网络具有较好的性能。
附图说明
图1为本发明实施例提供的基于相变材料的可重构光学神经网络示意图;
图2为本发明实施例提供的光学衍射板中单个单元的结构示意图;
图3为本发明实施例提供的实现聚焦激光脉冲切换相变材料单元状态的光路示意图;
在所有附图中,相同的附图标记用来表示相同的元件或者结构,其中:
I-光信息输入层;II-可重构衍射层;III-探测输出层;
1-照明光源,2-扩束装置,3-输入图像;
4-单元,5-光学衍射板;
6-光功率探测器;
7-波形发生器,8-半导体激光器,9-CCD,10-分光镜,11-显微物镜,12-待调整的光学衍射板,13-电控位移台;
①-单元中的保护层,②-单元中的相变材料(PCM)层,③-二氧化硅(SiO2)基底。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
为了解决现有的基于自由空间光学衍射的全光神经网络在制成后,网络权重、激活函数均不可更改,导致只能实现单一功能,灵活性差的技术问题,本发明提供了一种基于相变材料的可重构光学神经网络及其应用,其整体思路在于:对光学神经网络中的神经元进行改进,增加可调节的参数,使得光学神经网络具有可重构性,从而结构不变的情况下,可以通过参数调整适应新的功能。
本发明所提供的基于相变材料的可重构光学神经网络,可应用于手写数字识别、服装图片分类、手写字母识别等任意一种图像分类任务,为便于表述,不失一般性地,在以下实施例中,均以手写数字识别为例进行说明。
以下为实施例。
实施例1:
一种基于相变材料的可重构光学神经网络,用于实现手写数字识别,即对于输入的包含手写数字的图像,识别出其中的手写数字具体是0~9中的哪一个数字;
本实施例提供的基于相变材料的可重构光学神经网络如图1所示,包括:光信息输入层I、可重构衍射层II和探测输出层III;
光信息输入层I用于产生携带有输入图像信息且正入射可重构衍射层II的入射平面光;
可重构衍射层II,用于利用自由空间光学衍射对入射光的强度分布进行调控,得到待测平面光;
探测输出层III,用于探测待测平面光中m个预设位置处的功率大小;m为类别数,在本实施例中,m=10;m个预设位置与m个类别一一对应,功率最大的预设位置所对应的类别为图像分类结果。
如图1所示,光信息输入层I包括:照明光源1和扩束装置2;
照明光源1,用于产生原始光斑;可选地,本实施例中,使用1550nm激光器作为照明光源1;
扩束装置2,用于将原始光斑扩大至可完整覆盖输入图像3;可选地,本实施例中,扩束装置2由透镜组构成;
工作时,输入图像3置于扩束装置2之后预设的输入位置处,经扩束装置2扩大后的原始光斑透过输入图像3后,形成入射平面光;可选地,本实施例中,输入图像3具体是加载了待识别的手写数字信息的灰度图案,光透过输入图像3后,手写数字信息会以强度调制的形式加载到入射平面光中;应当说明的是,本实施例中在入射平面光中加载输入信息的方式仅为一种可选的实施方式,不应理解为对本发明的唯一限定;例如,在本发明其他的一些实施例中,输入信息,即手写数字信息还可以通过镂空的方式记载到输入图像3中,此时,该手写数字信息以相位调制的形式加载到入射平面光中。
如图1所示,可重构衍射层II包括n个相互平行且间隔设置的光学衍射板5,对应光学神经网络中的n个全连接层;光学衍射板的板间间隔应大于入射平面光的波长,光学衍射板的尺寸可以相同,也可以不同,可选地,本实施例中,n=3,板间间隔为60微米,各光学衍射板的尺寸相同,均为22.4*22.4μm;
光学衍射板5包括依次设置的基底、相变材料层和保护层,保护层用于防止相变材料层被氧化或在相变时发生组分蒸发;相变材料层和保护层被划分为多个独立区域,相应形成多个单元4,单个单元4的结构如图2所示,其中的①、②、③分别表示单元中的保护层、相变材料(PCM)层和基底;每个单元4内的相变材料可在晶态、非晶态以及晶态和非晶态之间的多个中间态之间切换,相变材料处于不同状态时单元具备不同的透过率,光通过单元4时受其中相变材料调控所产生的额外相移与相变材料的状态一一对应;每个单元4对应光学神经网络中的一个神经元,相邻光学衍射板中单元间的衍射关系对应光学神经网络中的权重,光通过单元4时受其中相变材料调控所产生的额外相移对应光学神经网络中激活函数的偏移值,通过相变材料状态切换,即可得到激活函数偏移值可调的可重构光学衍射板;作为一种可选地实施方式,本示例中,仅调节单元4中的相变材料在晶态和非晶态之间切换,且相变材料处于晶态和非晶态时,相位差为π,相应地,本实施例可得到激活函数偏移值二值可调的可重构光学衍射板,所构建的可重构光学神经网络具体是一种可重构二值化的光学神经网络;
可选地,本实施例中,基底材料为二氧化硅(SiO2),厚度为1mm;相变材料为Sb2Se3(硒化锑),通过热蒸发的方式沉积在二氧化硅基底上,厚度为950nm;应当说明的是,本实施例中选择的相变材料仅为一种可选的实施方式,不应理解为对本发明的唯一限定;其他至少具有晶态和非静态两种折射率不同的状态的相变材料,如GST,GSST,VO2等,也可用于实现相同功能;保护材料为ITO(氧化铟锡),通过磁控溅射的方式在相变材料顶层沉积,厚度为50nm,以防止Sb2Se3被氧化或在相变时发生组分蒸发,同时,由于ITO是一种在通信波段接近透明的导电材料,也使通过电加热的方式实现相变材料状态切换成为可能;
划分单元时,每个单元的边长应小于入射平面光波长的一半;可选地,本实施例中,每个光学衍射板5被划分为了28*28个区域。
如图1所示,本实施例中,探测输出层III包括位于同一平面的10个光功率探测器6,10个光功率探测器6分别设置于10个预设位置处;具体地,10个探测器等间隔防止,编号0-9分别对应一位探测数字,探测到最大光功率的光功率探测器,其编号即为手写数字识别结果。
本实施例提供的基于相变材料的可重构光学神经网络,其中包含多个光学衍射板,对应光学神经网络中的多个全连接层;每个光学衍射板中包含多个独立单元,每个单元对应光学神经网络中的一个神经元,相邻光学衍射板中单元间的衍射关系对应光学神经网络中的权重;每个单元包含相变材料层,且其中的相变材料可在晶态非晶态之间切换,光通过单元时受其中相变材料调控所产生的额外相移对应光学神经网络中激活函数的偏移值,且该偏移值与相变材料的状态一一对应,因此,该光学神经网络具有可重构性,在光学神经网络建成后,可通过调整单元中相变材料的状态,对光学神经网络中神经元的激活函数进行调整。
实施例2:
一种训练方法,用于对上述实施例1提供的基于相变材料的可重构光学神经网络进行训练,包括:
将每个单元作为光学神神经网络中的一个神经元,根据空间位置,计算相邻光学衍射板中单元间的衍射关系,作为对应神经元的权重,并在训练过程中保持固定;可选地,本实施例中,利用瑞利-索末菲衍射方程计算相邻光学衍射板中单元间的衍射关系;
神经元中的激活函数设为具有离散值的分段函数,并将单元中相变材料的至少两种状态分别映射为对应神经元中激活函数中的不同偏移值;可选的,本实施例中,具体将激活函数设为sign()函数,sign()函数具有两种偏移值,具体定义如下:
相应地,本实施例中,将单元中相变材料的两种状态分别映射为对应神经元中sign()函数中的两种偏移值;可选地,若相变材料为晶态,则相应神经元中的sign()函数偏移值为1;若相变材料为非晶态,则相应神经元中的sign()函数偏移值为-1;
完成上述设定后,获得由已知类别的图像所构成的数据集,可选地,本实施例中,所使用的数据集具体是MNIST数据集;
将数据集中的图像作为可重构光学神经网络的输入图像,将对应的图像类别作为标签信息,对基于相变材料的可重构光学神经网络进行训练,以确定各光学衍射板5中、各单元中相变材料的状态;训练算法采用反向传播算法;
考虑到本实施例中,光学神经网络的可学习的参数,即神经元中的激活函数偏移值为二值化的,其梯度几乎处处为零,使用传统的梯度计算方法,将无法有效应用于网络参数优化,因此,本实施例中,利用直通估计器(STE)计算梯度;STE导数(clip)定义如下:
clip(x,-1,1)=max(-1,min(1,x))
上述二值化网络训练方法的详细过程可参考Binarized neural networks:Training deep neural networks with weights and activations constrained to+1or-1中的描述;
通过训练确定各光学衍射板5中、各单元中相变材料的状态后,按照训练结果设置各光学衍射板5中、各单元中相变材料的状态,即可完成光学神经网络的训练。
设置各单元中相变材料状态的方式,可采用聚焦光脉冲或者电加热的方式,可选地,本实施例中,使用聚焦光脉冲的方式;相变材料从非晶态到晶态的转变(晶化)是通过将材料加热到结晶温度之上并保持一段时间,而从晶态到非晶态的转变(非晶化)是通过将材料加热到熔化温度之上并快速降温;由于熔化温度高于结晶温度,晶化由低功率大脉宽光脉冲实现,非晶化由高功率窄脉宽光脉冲实现;相应地,本实施例中,设置中相变材料状态的方式具体为:
利用第一激光脉冲聚焦于单元,使其中的相变材料切换为晶态;
利用第二激光脉冲聚焦于单元,使其中的相变材料切换为非晶态;
两种激光脉冲中,第一激光脉冲的功率较低,且脉宽较大;
应当说明的是,在本发明其他的一些实施例中,也可将单元中相变材料的状态调整为晶态和非晶态之间的中间态,此时,可利用利用第三激光脉冲聚焦于单元,使其中的相变材料由非晶态切换为中间态;第三激光脉冲功率与第一激光脉冲功率相同,脉宽介于第一激光脉冲与第二激光脉冲之间;
进行上述聚焦光脉冲,以调节材料状态时,所使用的装置如图3所示,其中包括:波形发生器7、半导体激光器8、CCD 9、分光镜10、显微物镜11和电控位移台13;
操作时,待调整的光学衍射板12放置于电控位移台13上;半导体激光器8输出的激光波长为660nm;半导体激光器8在波形发生器7的控制下输出确定功率与脉宽的激光脉冲,脉冲经过分光镜10和显微物镜11聚焦到待调整的光学衍射板12上;电控位移台13用以移动待调整的光学衍射板12以改变聚焦光斑照射的部分;CCD9用于观察聚焦光斑当前照射区域以实现对各相变单元的独立精准状态切换。
经过本实施例所提供的训练方法训练完成后,该光学神经网络可直接应用于手写数字识别;容易理解的是,调整训练过程中的数据集,使该数据集与新功能相适应,训练结束后,所得到的光学神经网络在结构不变的情况下即可用于实现新功能,大大提高了光学神经网络的灵活性。
实施例3:
一种手写数字识别方法,包括:
将由上述实施例1所提供的训练方法训练得到的可重构光学神经网络作为图像分类网络;
将待分类图像作为图像分类网络的输入图像,即将加载有待识别的手写数字信息的灰度图案放置于光信息输入层I中预设的输入位置处,即可由图像分类网络输出对应的手写数字识别结果。
总的来说,本发明利用相变材料多状态重复可调且具有非易失性的特点构建可重构的衍射式神经网络,可以突破传统全光衍射式神经网络单一结构、只能实现单一功能的限制,对各光学衍射板上相变材料单元的精确控制,可以在单一硬件结构上实现相同拓扑结构的不同功能神经网络,极大提升了全光神经网络的灵活性,具有广阔的应用前景。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于相变材料的可重构光学神经网络,用于实现图像分类,其特征在于,包括:光信息输入层(I)、可重构衍射层(II)和探测输出层(III);
所述可重构衍射层(II)包括n个相互平行且间隔设置的光学衍射板(5);所述光学衍射板(5)包括依次设置的基底、相变材料层和保护层,且所述相变材料层和所述保护层被划分为多个独立区域,相应形成多个单元(4),每个单元(4)内的相变材料可在多个状态之间切换,所述多个状态包括晶态和非晶态;n为正整数;
所述光信息输入层(I)用于产生携带有输入图像信息且正入射所述可重构衍射层(II)的入射平面光;
所述可重构衍射层(II),用于利用其中的光学衍射板(5)对所述入射光的强度分布进行调控,得到待测平面光;
所述探测输出层(III),用于探测所述待测平面光中m个预设位置处的功率大小;m为类别数,且所述m个预设位置与m个类别一一对应,功率最大的预设位置所对应的类别为图像分类结果。
2.如权利要求1所述的基于相变材料的可重构光学神经网络,其特征在于,所述相变材料至少具有晶态和非静态两种折射率不同的状态。
3.如权利要求1所述的基于相变材料的可重构光学神经网络,其特征在于,所述光信息输入层(I)包括:照明光源(1)和扩束装置(2);
所述照明光源(1)用于产生原始光斑;
所述扩束装置(2)用于将所述原始光斑扩大至可完整覆盖输入图像(3);
工作时,所述输入图像(3)置于所述扩束装置(2)之后预设的输入位置处,经所述扩束装置(2)扩大后的原始光斑透过所述输入图像后,形成所述入射平面光。
4.如权利要求1~3任一项所述的基于相变材料的可重构光学神经网络,其特征在于,所述探测输出层(III)包括位于同一平面的m个光功率探测器(6),所述m个光功率探测器(6)分别设置于所述m个预设位置处。
5.如权利要求1~3任一项所述的基于相变材料的可重构光学神经网络,其特征在于,所述多个状态还包括:晶态和非晶态之间的中间态。
6.如权利要求1~5任一项所述的基于相变材料的可重构光学神经网络的训练方法,其特征在于,包括:
将每个单元(4)作为光学神神经网络中的一个神经元,根据空间位置,计算相邻光学衍射板中单元间的衍射关系,作为对应神经元的权重,并在训练过程中保持固定;
神经元中的激活函数设为具有离散值的分段函数,并将单元中相变材料的至少两种状态分别映射为对应神经元中激活函数中的不同偏移值;
获得由已知类别的图像所构成的数据集,将其中的图像作为所述可重构光学神经网络的输入图像,将对应的图像类别作为标签信息,对所述基于相变材料的可重构光学神经网络进行训练,以确定各光学衍射板(5)中、各单元中相变材料的状态;训练算法采用反向传播算法,且利用直通估计器计算梯度;
按照训练结果设置各光学衍射板(5)中、各单元中相变材料的状态。
7.如权利要求6所述的训练方法,其特征在于,设置单元中相变材料状态的方式包括:
利用第一激光脉冲聚焦于单元,使其中的相变材料由非晶态切换为晶态;
利用第二激光脉冲聚焦于单元,使其中的相变材料由晶态切换为非晶态;
两种激光脉冲中,所述第一激光脉冲的功率较低,且脉宽较大。
8.如权利要求7所述的训练方法,其特征在于,设置单元中相变材料状态的方式,还包括:
利用第三激光脉冲聚焦于单元,使其中的相变材料由非晶态切换为中间态;所述第三激光脉冲的功率与所述第一激光脉冲相同,且脉宽介于所述第一激光脉冲和所述第二激光脉冲之间。
9.一种图像分类方法,其特征在于,包括:
将由权利要求6~8任一项所述的训练方法训练得到的可重构光学神经网络作为图像分类网络;
将待分类图像作为所述图像分类网络的输入图像,以由所述图像分类网络输出对应的图像分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586133.8A CN114266346A (zh) | 2021-12-21 | 2021-12-21 | 基于相变材料的可重构光学神经网络及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586133.8A CN114266346A (zh) | 2021-12-21 | 2021-12-21 | 基于相变材料的可重构光学神经网络及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266346A true CN114266346A (zh) | 2022-04-01 |
Family
ID=80828918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111586133.8A Pending CN114266346A (zh) | 2021-12-21 | 2021-12-21 | 基于相变材料的可重构光学神经网络及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266346A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061237A (zh) * | 2022-06-30 | 2022-09-16 | 华中科技大学 | 基于相变材料的可重构功率分支器及功率分支比调节方法 |
-
2021
- 2021-12-21 CN CN202111586133.8A patent/CN114266346A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061237A (zh) * | 2022-06-30 | 2022-09-16 | 华中科技大学 | 基于相变材料的可重构功率分支器及功率分支比调节方法 |
CN115061237B (zh) * | 2022-06-30 | 2024-02-06 | 华中科技大学 | 基于相变材料的可重构功率分支器及功率分支比调节方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goi et al. | Perspective on photonic memristive neuromorphic computing | |
Fang et al. | Non-volatile reconfigurable silicon photonics based on phase-change materials | |
Wang et al. | Overview of phase-change materials based photonic devices | |
Lian et al. | Photonic (computational) memories: tunable nanophotonics for data storage and computing | |
Miscuglio et al. | Roadmap on material-function mapping for photonic-electronic hybrid neural networks | |
CN114266346A (zh) | 基于相变材料的可重构光学神经网络及其应用 | |
US20230051113A1 (en) | Phase-change metasurface for programmable waveguide mode conversion | |
US20220300796A1 (en) | Photonic neural network | |
Miscuglio et al. | GSST-based photonic memory multilevel perceptron | |
Kari et al. | Optical and electrical memories for analog optical computing | |
Miscuglio et al. | Intelligent edge processing with photonic multilevel memory | |
Zhang et al. | On-chip photonic synapses based on slot-ridge waveguides with PCMs for in-memory computing | |
Shafiee et al. | A survey on optical phase-change memory: The promise and challenges | |
Wang et al. | Artificial optoelectronic synapse based on epitaxial Ba0. 6Sr0. 4TiO3 thin films memristor for neuromorphic computing and image recognition | |
Yu et al. | All-chalcogenide programmable all-optical deep neural networks | |
Yan et al. | High optical contrast and multi-level storage of the ultracompact plasmonic device based on phase change materials | |
CN113628653B (zh) | 基于相变材料的全光布尔逻辑器件及其二元逻辑实现方法 | |
Rhim et al. | Reversible training of waveguide-based AND/OR gates for optically driven artificial neural networks using photochromic molecules | |
CN115018041A (zh) | 一种可重构非易失性的集成三维光学衍射神经网络芯片 | |
US20220300798A1 (en) | Optical devices and methods | |
Cheng et al. | Photonic neuromorphic architecture for tens-of-task lifelong learning | |
CN112820827A (zh) | 一种相变器件及其制备方法、光激励调制方法、电激励调制方法 | |
WO2021074656A1 (en) | Infroton type artificial neural network | |
Zhang et al. | Multilevel weight optimization of photonic synapses based on slot-ridge waveguides with multi-block GST | |
US20230306253A1 (en) | 3D Photonic Neural Network |
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 |