CN114819089A - 一种基于模式复用的光子卷积加速器 - Google Patents

一种基于模式复用的光子卷积加速器 Download PDF

Info

Publication number
CN114819089A
CN114819089A CN202210470962.8A CN202210470962A CN114819089A CN 114819089 A CN114819089 A CN 114819089A CN 202210470962 A CN202210470962 A CN 202210470962A CN 114819089 A CN114819089 A CN 114819089A
Authority
CN
China
Prior art keywords
convolution
mode
waveguide
amplitude control
light
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
Application number
CN202210470962.8A
Other languages
English (en)
Inventor
王健
万远剑
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210470962.8A priority Critical patent/CN114819089A/zh
Publication of CN114819089A publication Critical patent/CN114819089A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

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 Integrated Circuits (AREA)

Abstract

本发明公开了一种基于模式复用的光子卷积加速器，属于光计算领域。激光器输出的光分束之后进入对应不同的波导，不同波导中的光经过信息写入单元被写入图片信息，再经过幅度控制实现信号与对应卷积核中权重的乘积。完成幅度控制之后的光在通过模式复用器复用到多模波导形成不同模式被探测高速多模光电探测器输出卷积和信号，最终实现对图片信息进行卷积层的处理。本发明利用波导中不同模式的正交性来并行处理信息，突破了传统的电子芯片无法做到并行处理的能力，加速卷积神经网络中卷积层处理，其在光计算处理卷积神经网络提供一种全新的思路和框架，在光计算领域有着广阔的应用前景，填补了相关技术领域的空白。

Description

一种基于模式复用的光子卷积加速器
技术领域
本发明属于光计算领域，更具体地，涉及一种基于模式复用的光子卷积加速器。
背景技术
近50年来，半导体工艺逐渐成熟，从最初的180nm制程工艺到现在的5nm的先进工艺，以及现在正在研发的3nm工艺，使得集成电路的发展迅速，计算能飞速提升，但这种状态不可能一直发展下去，随着晶体管的尺寸逐渐减小，芯片的功耗和散热等问题逐渐显露，可能成为摩尔定律路上的绊脚石。
人工智能的爆炸性增长要求快速提高计算能力，传统的电子计算方法逐渐达到其性能极限，并落后于可用于处理的数据的快速增长。在各种人工智能中，人工神经网络因其优异的性能被广泛应用于人工智能任务，比如卷积神经网络在特征提取方面有着独特的优势，目前在图像识别领域有着重要的应用。这些网络使用多层互连的人工神经网络执行复杂的数学运算，由于计算复杂性较高，以及需要训练大型数据集，使得传统串行计算的电子计算机在这方面的缺陷逐渐显露。
光计算与传统电子计算机相比有着抗干扰强，信息容量大，运算速度快等优点，最为突出的还是并行计算的特点。随着光子集成技术的进一步发展，尤其是硅光子波导技术与传统CMOS电子器件有着相同的工艺，工艺技术也逐渐成熟，以及众多的硅基光电子集成功能单元器件爆发，百花齐放，使得光子芯片成为一种未来提高计算力的可能。
鉴于此，提出一种基于模式复用的光子卷积加速器对于未来光计算以及卷积神经网络领域具有重要意义。
发明内容
针对由于神经网络爆炸式增长的计算量，对于传统擅长串行计算的电子计算机造成了巨大压力，本发明提供了一种基于模式复用的光子卷积加速器，旨在提供一种并行计算的集成光子硬件加速器，利用波导中不同模式的正交性来并行处理信息，加速卷积神经网络中卷积层处理，其在光计算处理卷积神经网络提供一种全新的思路和框架，在光计算领域有着广阔的应用前景，填补了相关技术领域的空白。
为实现上述目的，本发明提供了一种基于模式复用的光子卷积加速器，利用光计算的方法设计一个计算专用的光子硬件加速器，核心是将原始图片信息加载于波导中传输的不同模式之上进行卷积神经网络中的卷积层处理。
包括激光器、分束器、卷积模块和探测器，其中卷积模块包括N个信息写入单元、N个幅度控制单元、模式复用器和多模波导，N为正整数；激光器输出的光经过分束器分束之后，进入对应不同的模式通道。不同模式通道中的光经过高速调制器调制后被写入对应的图片信息，再经过每个通道中的幅度控制部分实现信号与对应权重的乘积，幅度控制即对应着卷积核中不同的权重系数。完成幅度控制之后的光在通过模式复用器之后，所有模式复用到同一多模波导。多模波导中光经过高速多模光电探测器被探测，进行卷积和的数据采集和输出，最终实现对原始图片信息进行卷积神经网络中卷积层的处理。
优选地，幅度控制单元对应卷积核中不同的权重系数，卷积核矩阵大小为m×m，其中，2≤m≤N，可以是2×2，3×3，4×4…N×N，即表示基于模式复用的光子卷积加速器中的模式数目，所述的卷积核数目可以是N个，同时进行多核处理。
优选地，基于模式复用的光子卷积加速器可以是全光纤硬件，光源通过外置激光器输入光纤进行分束，之后使用调制器进行信息加载，再通过光衰减器之后进入光纤拉制的模式复用器进行输出探测。
优选地，基于模式复用的光子卷积加速器可以是外置激光器，调制器，高速多模光电探测器和光子集成的光芯片组合实现，光源，调制以及探测都是通过片外完成，幅度控制和模式复用器都是通过片上集成办法实现，实现光子卷积加速器。
优选地，基于模式复用的光子卷积加速器可以是全集成化的异构集成结构光芯片，将激光器，调制器，幅度控制，模式复用器和高速多模光电探测器通过异构集成方法集成到同一芯片上，一起组合实现光子卷积加速器。
优选地，基于模式复用的光子卷积加速器可以是光电融合集成的方法实现，将驱动电路和跨阻放大电路等构成的电路部分和由激光器，调制器，幅度控制，模式复用器和高速多模光电探测器等构成的光子芯片集成在同一芯片上，实现光子卷积加速器。
优选地，幅度控制，即对应着卷积核中不同的权重系数，可以通过片上集成光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器实现，将卷积核中每个模式对应的权重系数写入上述的集成光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器，可以通过热光调控或电光调控来实现。
优选地，热光调控可以采用在波导上方一段距离覆盖热电阻材料或者利用波导本身因离子注入而掺杂的电阻型波导来改变波导折射率进行热光相移调谐；电光调控根据不同材料体系可以采用载流子注入型(等离子色散效应)或者载流子耗尽型或者线性电光效应(普克尔效应)或者二阶电光效应(克尔效应)等，比如硅的载流子注入型(等离子色散效应)或者载流子耗尽型，铌酸锂和铌酸锂薄膜的线性电光效应(普克尔效应)。相比于热光调控，电光调控可以实现更高速的调控。
优选地，模式复用器是基于耦合模理论，其结构可以是定向耦合型或单锥形型或双锥形型组成的双波导结构，其模式数目为m2，其中2≤m≤N，与卷积核保持一致，不受偏振限制，其组成可以包含片上集成模式复用器、片上集成偏振旋转器、片上集成偏振分束器和片上集成偏振分束旋转器。
优选地，基于模式复用的光子卷积加速器中的集成方法是利用微纳尺寸的光子集成器件来实现光子卷积加速器，为光子卷积加速器提供紧凑、高速、稳定的集成化解决方案，其光子集成器件材料体系可以是硅(Si)、二氧化硅(SiO2)、磷化铟(InP)、砷化镓(GaAs)、铌酸锂(LiNbO3)、铌酸锂薄膜、聚合物(Polymer)、表面等离子体、相变材料以及多材料混合(如硅与磷化铟、硅与铌酸锂薄膜等)等现有光子集成器件已经用到的材料体系。
通过本发明所构思的以上技术方案，与现有技术相比，本发明具有如下有益效果：
1、本发明公开了一种基于模式复用的光子卷积加速器，利用了光场新维度资源，特别是充分利用了光场幅度和模式维度资源，进行并行计算，相比于电子计算机串行计算方式，为提高计算力提供一种新思路。
2、本发明利用波导中光场模式进行信息处理，由于模式之间的正交性，将原始信息加载到不同模式可以进行，可以进行并行处理，最后的处理结果可以进行单独探测也可以同时探测。
3、本发明适用的卷积处理方法应用场景范围广泛，在图像识别，自动驾驶，视频处理等方面有着独特的优势，为消除机器学习硬件中的计算瓶颈提供了一种有效的方法。
4、本发明利用光场幅度和模式进行光计算的思路具有普适性，同样可以适用于其他神经网络信息处理。
附图说明
图1是本发明提供的一种基于模式复用的光子卷积加速器的结构示意图。
图2是本发明中从原始信息中提取信息以及加载信息(以4*4的原始信息和2*2的卷积核为例)的原理示意图。
图3是本发明中卷积层处理(以4*4的原始信息和2*2的卷积核为例)的原理示意图。
具体实施方式
为实现上述目的，本发明提供了一种基于模式复用的光子卷积加速器，利用光计算的方法设计一个计算专用的光子硬件加速器，核心是将原始图片信息加载于波导中传输的不同模式之上进行卷积神经网络中的卷积层处理。
包括激光器、分束器、卷积模块和探测器，其中卷积模块包括N个信息写入单元、N个幅度控制单元、模式复用器和多模波导，N为正整数；激光器输出的光经过分束器分束之后，进入对应不同的模式通道。不同模式通道中的光经过高速调制器调制后被写入对应的图片信息，再经过每个通道中的幅度控制部分实现信号与对应权重的乘积，幅度控制即对应着卷积核中不同的权重系数。完成幅度控制之后的光在通过模式复用器之后，所有模式复用到同一多模波导。多模波导中光经过高速多模光电探测器被探测，进行卷积和的数据采集和输出，最终实现对原始图片信息进行卷积神经网络中卷积层的处理。
具体地，述卷积核矩阵大小可以是2×2，3×3，4×4…N×N，即表示基于模式复用的光子卷积加速器中的模式数目，在实际设计中可以利用分束器将光分成N2束进入不同通道，配合对应模式数的模式复用器共同完成卷积核矩阵大小；卷积核数目可以是N个，同时进行多核处理，可以通过耦合器分光，将同一通道上的光均分进入不同的卷积核处理，不同的卷积核由幅度控制阵列实现，具体的是光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器所构成的阵列。
具体地，基于模式复用的光子卷积加速器可以是全光纤硬件，光源通过外置激光器输入光纤，经过耦合器分束成N2进入对应的光纤通道，之后使用外置高速调制器对不同通道上的光进行信息加载，再通过光衰减器之后，实现权重乘积，最后进入光纤拉制的模式复用器进行输出探测。
具体地，基于模式复用的光子卷积加速器可以是外置激光器，调制器，高速多模光电探测器和光子集成的光芯片组合实现，光源，调制以及探测都是通过片外完成，幅度控制和模式复用器都是通过片上集成办法实现，实现光子卷积加速器。外置激光器输出的光在片外分束调制加载图像信息后，通过阵列光纤耦合进光芯片中，在片上完成幅度控制和模式复用，最后再耦合进高速多模光电探测器进行探测。
具体地，基于模式复用的光子卷积加速器可以是全集成化的异构集成结构光芯片，将激光器，调制器，幅度控制，模式复用器和高速多模光电探测器通过异构集成方法集成到同一芯片上，一起组合实现光子卷积加速器。
具体地，基于模式复用的光子卷积加速器可以是全集成化的异构集成结构光芯片，将激光器，调制器，幅度控制，模式复用器和高速多模光电探测器通过异构集成方法集成到同一芯片上，实现光子卷积加速器。
具体地，基于模式复用的光子卷积加速器中的幅度控制，即对应着卷积核中不同的权重系数，可以通过片上集成光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器实现，将卷积核中每个模式对应的权重系数写入上述的集成光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器，可以通过热光调控或电光调控来实现。
具体地，热光调控可以采用在波导上方一段距离覆盖热电阻材料或者利用波导本身因离子注入而掺杂的电阻型波导来改变波导折射率进行热光相移调谐；电光调控根据不同材料体系可以采用载流子注入型(等离子色散效应)或者载流子耗尽型或者线性电光效应(普克尔效应)或者二阶电光效应(克尔效应)等，比如硅的载流子注入型(等离子色散效应)或者载流子耗尽型，铌酸锂和铌酸锂薄膜的线性电光效应(普克尔效应)。相比于热光调控，电光调控可以实现更高速的调控。
具体地，模式复用器是基于耦合模理论的，其结构可以是定向耦合型或单锥形型或双锥形型组成的双波导结构，其模式数目可以进行任意拓展，不受偏振限制，其组成可以包含片上集成模式复用器、片上集成偏振旋转器、片上集成偏振分束器和片上集成偏振分束旋转器。
具体地，基于模式复用的光子卷积加速器中的集成方法是利用微纳尺寸的光子集成器件来实现光子卷积加速器，为全维度光场调控提供紧凑、高速、稳定的集成化解决方案，其光子集成器件材料体系可以是硅(Si)、二氧化硅(SiO2)、磷化铟(InP)、砷化镓(GaAs)、铌酸锂(LiNbO3)、铌酸锂薄膜、聚合物(Polymer)、表面等离子体、相变材料以及多材料混合(如硅与磷化铟、硅与铌酸锂薄膜等)等现有光子集成器件已经用到的材料体系。
以下结合具体实施例及附图说明。
如图1所示，是本发明提供的一种基于模式复用的光子卷积加速器的原理和结构示意图。光子卷积加速器包括：激光器，分束器，高速调制器，光衰减器，模式复用器和高速多模探测器。基于模式复用的光子卷积加速器的工作原理如下，激光器输出的光经过分束器分束之后，进入对应不同的模式通道。不同模式通道中的光经过高速调制器调制后被写入对应的图片信息，再经过每个通道中的幅度控制部分实现信号与对应权重的乘积，幅度控制即对应着卷积核中不同的权重系数。完成幅度控制之后的光在通过模式复用器之后，所有模式复用到同一多模波导。多模波导中光经过高速多模光电探测器被探测，进行卷积和的数据采集和输出，最终实现对原始图片信息进行卷积神经网络中卷积层的处理。
如图2所示，本发明中从原始信息中提取信息以及加载信息(以2*2的卷积核为例)的原理示意图。此处以4*4的原始信息和2*2的卷积核为例，在原始信息中以2*2的矩阵和1的步长的进行平滑，从而获得四组后期需要的调制信息X1，X2，X3和X4。光经过分束器进入不同通道，通过高速调制器将得到的调制信息X1，X2，X3和X4加载在不同通道上即不同模式之上。卷积核中的四个元素作为权重系数加载到光子卷积加速器中间的幅度控制上，即通过光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器的透过率体现，可以通过调制方式可以为热光调控或电光调控来控制。
如图3所示，是本发明中卷积层处理(以4*4的原始信息和2*2的卷积核为例)的原理示意图。卷积层处理就是将不同路径上经过调制处理之后的光通过幅度控制，获得不同程度的衰减，即对应通道信息与权重系数相乘：Xn*Wn。经过幅度控制之后的光通过模式复用器复用到多模波导中，由于不同模式的正交性，模式之间不会产生影响，对所有模式同时进行探测，得到卷积和数据即
Figure BDA0003622382140000081
完成卷积层处理后进行重新排列之后得到了经过卷积层处理之后的特征图谱：3*3矩阵。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。

Claims (9)

1.一种基于模式复用的光子卷积加速器，其特征在于，包括激光器、分束器、卷积模块和探测器，其中卷积模块包括N个信息写入单元、N个幅度控制单元、模式复用器和多模波导，N为正整数；激光器输出的光经过分束器分束之后，进入卷积模块，对应N个不同的模式通道，不同模式通道中的光分别经过N个信息写入单元调制后被写入对应的图片信息，再经过每个模式通道中的幅度控制单元实现信号与对应权重的乘积，完成幅度控制之后的光在通过模式复用器之后，所有模式复用到所述多模波导，多模波导中的光经过探测器被探测，进行卷积和的数据采集和输出，最终实现对原始图片信息进行卷积神经网络中卷积层的处理。
2.根据权利要求1所述的基于模式复用的光子卷积加速器，其特征在于，所述幅度控制单元对应卷积核中不同的权重系数，所述卷积核矩阵大小为m×m，其中，2≤m≤N。
3.根据权利要求1所述的基于模式复用的光子卷积加速器，其特征在于，所述卷积模块为全光纤器件或者光芯片器件。
4.根据权利要求2中所述的基于模式复用的光子卷积加速器，其特征在于，所述幅度控制单元通过片上集成光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器实现，将卷积核中每个模式对应的权重系数写入上述的片上集成光衰减器或马赫-曾德尔干涉仪或相变材料所制成的衰减器，进行热光调控或电光调控。
5.根据权利要求4所述的基于模式复用的光子卷积加速器，其特征在于，所述热光调控采用在波导上方覆盖热电阻材料或者利用波导本身因离子注入而掺杂的电阻型波导来改变波导折射率进行热光相移调谐；所述电光调控根据不同材料体系采用载流子注入型或者载流子耗尽型或者线性电光效应或者二阶电光效应。
6.根据权利要求3所述的基于模式复用的光子卷积加速器，其特征在于，所述模式复用器的结构为定向耦合结构，其模式复用器不为单一偏振，模式数目为m2，其中2≤m≤N，与卷积核保持一致。
7.根据权利要求3中所述的基于模式复用的光子卷积加速器，其特征在于，所述信息写入单元为光电调制器，所述振幅控制单元为光纤光衰减器，所述模式复用器为光纤拉锥耦合器，所述多模波导为多模光纤。
8.根据权利要求3中所述的基于模式复用的光子卷积加速器，其特征在于，所述信息写入单元为片上调制器，所述振幅控制单元为片上3-dB耦合器组成的马赫曾德尔干涉仪，所述模式复用器是通过两个波导之间的模式耦合所制，所述多模波导为支持所需模式的宽波导。
9.根据权利要求8所述的基于模式复用的光子卷积加速器，其特征在于，所述光子卷积加速器的材料体系包括硅Si、二氧化硅SiO2、磷化铟InP、砷化镓GaAs、铌酸锂LiNbO3、铌酸锂薄膜、聚合物Polymer、表面等离子体、相变材料中的一种以及多种的混合。
CN202210470962.8A 2022-04-28 2022-04-28 一种基于模式复用的光子卷积加速器 Pending CN114819089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210470962.8A CN114819089A (zh) 2022-04-28 2022-04-28 一种基于模式复用的光子卷积加速器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210470962.8A CN114819089A (zh) 2022-04-28 2022-04-28 一种基于模式复用的光子卷积加速器

Publications (1)

Publication Number Publication Date
CN114819089A true CN114819089A (zh) 2022-07-29

Family

ID=82509075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210470962.8A Pending CN114819089A (zh) 2022-04-28 2022-04-28 一种基于模式复用的光子卷积加速器

Country Status (1)

Country Link
CN (1) CN114819089A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146771A (zh) * 2022-09-02 2022-10-04 之江实验室 一种基于串联结构的二维光子神经网络卷积加速芯片
CN115169542A (zh) * 2022-09-02 2022-10-11 之江实验室 一种面向卷积神经网络的二维光子卷积加速系统和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146771A (zh) * 2022-09-02 2022-10-04 之江实验室 一种基于串联结构的二维光子神经网络卷积加速芯片
CN115169542A (zh) * 2022-09-02 2022-10-11 之江实验室 一种面向卷积神经网络的二维光子卷积加速系统和装置
CN115146771B (zh) * 2022-09-02 2022-11-22 之江实验室 一种基于串联结构的二维光子神经网络卷积加速芯片
CN115169542B (zh) * 2022-09-02 2022-11-22 之江实验室 一种面向卷积神经网络的二维光子卷积加速系统和装置
US11934943B1 (en) 2022-09-02 2024-03-19 Zhejiang Lab Two-dimensional photonic neural network convolutional acceleration chip based on series connection structure

Similar Documents

Publication Publication Date Title
CN114819089A (zh) 一种基于模式复用的光子卷积加速器
CN101114886B (zh) 偏振型光缓存器及其调节方法
US8345335B2 (en) All-optical reconfigurable cascadable logic with linear preprocessing by lightwave interference and post-processing by nonlinear phase erasure
US5600738A (en) Polarization dispersion compensation for optical devices
CN103091869B (zh) 集成化的相干光通信用电光调制器结构
Pitris et al. WDM-enabled optical RAM at 5 Gb/s using a monolithic InP flip-flop chip
CN109946856A (zh) 一种光偏振调制器及其实现光偏振调制的方法
CN115222035B (zh) 一种光子神经网络卷积加速芯片
US20220350361A1 (en) Optical Computing Device and Optical Signal Processing Method
EP3938822A1 (en) Polarization independent photonic device having multimode component
US20220414442A1 (en) Optical computing apparatus and system, and computing method
Yang et al. On-chip optical matrix-vector multiplier
CN110779440B (zh) 一种基于马赫泽德干涉仪结构的偏振不敏感光开关
CN109946790A (zh) 一种光偏振调制器及光偏振调制的方法
CN107561646A (zh) 光波导偏振分离器及其制造方法
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
Tsao et al. Design of a 2× 2 MMI MZI SOI electro‐optic switch covering C band and L band
CN104503185B (zh) 一种基于微环谐振器的二进制光学减法器
CN116324813A (zh) 用于形成人工神经网络的光电子系统的光学矩阵乘法单元
CN113630207A (zh) 一种光子神经网络芯片
CN106772819A (zh) 硫系玻璃光子晶体光纤2×2干涉型全光开关及控制方法
CN113267911A (zh) 大容量光电混合可编程逻辑运算芯片
Arakawa et al. Highlights of 10-years of research in a Japanese Si photonics project
CN114488580A (zh) 基于氮化硅/有机聚合物混合波导结构的高速电光调制器
Hu et al. A novel MZ modulator based on photonic crystal and nanowire waveguide

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