CN115018041A - 一种可重构非易失性的集成三维光学衍射神经网络芯片 - Google Patents

一种可重构非易失性的集成三维光学衍射神经网络芯片 Download PDF

Info

Publication number
CN115018041A
CN115018041A CN202210410378.3A CN202210410378A CN115018041A CN 115018041 A CN115018041 A CN 115018041A CN 202210410378 A CN202210410378 A CN 202210410378A CN 115018041 A CN115018041 A CN 115018041A
Authority
CN
China
Prior art keywords
phase change
diffraction
light
nonvolatile
optical
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
CN202210410378.3A
Other languages
English (en)
Inventor
董建绩
周海龙
吴波
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 CN202210410378.3A priority Critical patent/CN115018041A/zh
Publication of CN115018041A publication Critical patent/CN115018041A/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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明公开了一种可重构非易失性的集成三维光学衍射神经网络芯片，属于光计算技术领域，包括：光学衍射结构和反馈控制结构，其中，光学衍射结构中的每个所述平面衍射单元包括电控相变阵列，电控相变阵列依次设有第一透明电极、非易失型相变材料和第二透明电极；控制第一透明电极和第二透明电极之间的加载电压以对非易失型相变材料的光学状态进行调整，从而使各个平面衍射单元对输入光进行可重构调制得到调制光。反馈控制结构根据调制光的光强空间分布信息调整加载电压，进而对非易失型相变材料的光学状态进行调整，以使光学衍射结构能够对当前输入信号进行识别。本发明能够解决现有的集成光学神经网络矩阵规模过小，静态功耗高的问题。

Description

一种可重构非易失性的集成三维光学衍射神经网络芯片
技术领域
本发明属于光计算技术领域，更具体地，涉及一种可重构非易失性的集成三维光学衍射神经网络芯片。
背景技术
随着GPU计算速度和计算能力的迅猛提升，人工智能现在已经成为新一轮科技革命的中坚力量。然而，电学晶体管的尺寸和性能已经趋于极限，将在未来无法满足现实中日益增长的数据量和能耗限制。光由于其宽带宽、高频和低能耗等优点在通信和计算领域得到了广泛关注。特别是光的多维度资源以及并行传输的特点，被广泛应用在以并行矩阵乘法为核心的光学神经网络当中，而集成光学神经网络是有望取代GPU的候选方法。
目前集成光学神经网络的主要组成部分：集成光学矩阵计算主要包含基于马赫-增德尔干涉仪(Mach-Zehnder Interferometers，MZI)网络和微环谐振器(Microringresonators，MRR)阵列两类。然而目前这两种架构的主要问题是难以扩充矩阵规模，常常被限制在100×100以下，显然在面对大规模矩阵计算的时候无能为力。空间光学衍射神经网络利用空间光的每个像素充当光学神经元，虽然空间光调制器的像素数可以轻松地做到1000×1000，但是其集成化还面临着诸多挑战，如采用在硅平板上刻蚀多排狭缝阵列来实现二维多平面衍射的方案只能加载和处理一维信息，大大削减了衍射神经网络的大规模优势，并且重构每个狭缝的有效相移还很困难，因此开发一种大规模三维可重构集成光学衍射神经网络有重要的实用价值。除此之外，非易失性相变材料具有零静态功耗的优势，也即衍射神经网络一旦训练完成在做预测时片上不需要任何除激光器之外的功耗。将非易失相变材料与大规模片上衍射神经网络结合将具有更大的应用价值。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种可重构非易失性的集成三维光学衍射神经网络芯片，其目的在于通过在片内的多平面衍射加上可重构非易失的相变材料阵列来实现对输入信息的矩阵乘法计算，进而实现衍射光学神经网络，由此解决现有的集成光学神经网络矩阵规模过小，静态功耗高的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种可重构非易失性的集成三维光学衍射神经网络芯片，包括：
光学衍射结构，包括：
输入加载单元，用于加载初始输入信号的幅度和相位并将其转移到输入光的空间分布上；
多个平面衍射单元，设置在所述输入光的入射光路上，每个所述平面衍射单元包括电控相变阵列，所述电控相变阵列依次设有第一透明电极、非易失型相变材料和第二透明电极；控制所述第一透明电极和所述第二透明电极之间的加载电压以对所述非易失型相变材料的光学状态进行调整，从而使各个所述平面衍射单元对所述输入光进行可重构调制得到调制光；
探测器阵列单元，设置在所述调制光的出射光路上，用于探测所述调制光的光强空间分布信息；
反馈控制结构，与所述探测器阵列单元和所述多个平面衍射单元连接，用于根据所述调制光的光强空间分布信息生成反馈控制信号，并利用所述反馈控制信号调整所述加载电压，进而对所述多个平面衍射单元中非易失型相变材料的光学状态进行控制和调整，以对所述光学衍射结构进行训练得到目标衍射结构，所述目标衍射结构能够识别当前输入信号的光强空间分布信息。
在其中一个实施例中，当所述光学衍射结构为透射型结构时，所述输入加载单元、所述多个平面衍射单元在垂直方向依次层叠设置；各个所述电控相变阵列包括自下而上依次层叠的：所述第一透明电极、所述非易失型相变材料和所述第二透明电极；各个所述电控相变阵列衍射所述输入光，以使所述多个平面衍射单元对所述输入光交替进行空间衍射和可重构调制。
在其中一个实施例中，当所述光学衍射结构为反射型结构时，所述输入加载单元、所述多个平面衍射单元在水平方向依次层叠设置；各个所述平面衍射单元包括：自下而上依次层叠的第一反射膜、所述电控相变阵列和第二反射膜，且所述电控相变阵列中所述非易失型相变材料中间隔设置多个透明电极，相邻电极之间充斥着所述非易失型相变材料；各个所述平面衍射单元使得所述输入光往返于所述电控相变阵列以及两个反射膜之间，以使所述多个平面衍射单元对所述输入光进行可重构调制。
在其中一个实施例中，所述非易失型相变材料为一种非易失型可擦除光学材料，当两侧的透明电极的加载电压不同时表现出不同的折射率和吸收系数，不同折射率影响所述调制光的相位，不同吸收系数影响所述调制光的幅值；且在移除所述加载电压之后能够维持光学状态不变。
在其中一个实施例中，所述透明电极为应用波段透明的材料。
在其中一个实施例中，所述输入加载单元包括：
空间光调制器，用于加载初始输入信号的幅度和相位并将其转移到输入光的空间分布上；
光束变换器，设置在所述输入光的出射光路上，用于调整所述输入光的光斑尺寸，以使其与所述平面衍射单元的尺寸匹配。
在其中一个实施例中，所述探测器阵列单元为面入射型的探测器阵列或片外的图像传感器。
在其中一个实施例中，所述反馈控制结构包括：
现场可编程门阵列FPGA，用于执行控制算法；
数模/模数转换器，与所述FPGA连接，用于将所述FPGA产生的数字电平转化模拟电平并控制所述非易失型相变材料的光学状态及输入信息/将所述探测器阵列的模拟电平转化为数字电平再送入所述FPGA中进行处理。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提供一种可重构非易失性的集成三维光学衍射神经网络芯片，包括：光学衍射结构和反馈控制结构，其中，光学衍射结构中的每个所述平面衍射单元包括电控相变阵列，所述电控相变阵列依次设有第一透明电极、非易失型相变材料和第二透明电极；控制所述第一透明电极和所述第二透明电极之间的加载电压以对所述非易失型相变材料的光学状态进行调整，从而使各个所述平面衍射单元对所述输入光进行可重构调制得到调制光。且其中上述反馈控制结构根据所述调制光的光强空间分布信息生成反馈控制信号，并利用所述反馈控制信号调整所述加载电压，进而对所述多个平面衍射单元中非易失型相变材料的光学状态进行控制和调整，以对所述光学衍射结构进行训练得到目标衍射结构，所述目标衍射结构能够对当前输入信号进行识别。本发明通过在片内的多平面衍射加上可重构非易失的相变材料阵列来实现对输入信息的矩阵乘法计算，进而实现衍射光学神经网络，由此解决现有的集成光学神经网络矩阵规模过小，静态功耗高的技术问题。
(2)本发明提供的可重构非易失性的集成三维光学衍射神经网络芯片一旦训练完成在做预测时片上不需要任何除激光器之外的功耗，为实现低功耗光学衍射神经网络奠定了基础。
(3)本发明提供的可重构非易失性的集成三维光学衍射神经网络芯片可以实现在片上的大规模集成，理论上可以达到500Pops甚至更高的算力。本发明提供的可重构非易失性的集成三维光学衍射神经网络芯片可以完全采用平面化工艺制备，具有大批量制备的潜力。
附图说明
图1是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的结构示意图；
图2是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的实验装置图；
图3a是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的反射膜结构；
图3b是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的反射膜结构典型反射谱示意图；
图4是本发明一实例中提供的反射型可重构非易失性的集成三维光学衍射神经网络芯片的多平面衍射区光路分布图；
图5是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的相变材料Ge2Sb2Te5在结晶态和无定形态的折射率实部和虚部；
图6是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的相变材料阵列调控原理示意图(以3×3阵列为例)；
图7是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的片上金属-半导体-金属光电探测器二维阵列示意图(以3×3阵列为例)；
图8a是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的预训练方法；
图8b是本发明一实例中提供的可重构非易失性的集成三维光学衍射神经网络芯片的在线训练方法。
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。
本发明一种可重构非易失性的集成三维光学衍射神经网络芯片，包括：
光学衍射结构，包括：
输入加载单元1，用于加载初始输入信号的幅度和相位并将其转移到输入光的空间分布上；
多个平面衍射单元2，设置在输入光的入射光路上，每个平面衍射单元2包括电控相变阵列，电控相变阵列依次设有第一透明电极、非易失型相变材料和第二透明电极；控制第一透明电极和第二透明电极之间的加载电压以对非易失型相变材料的光学状态进行调整，从而使各个平面衍射单元2对输入光进行可重构调制得到调制光；
探测器阵列单元3，设置在调制光的出射光路上，用于探测调制光的光强空间分布信息；
反馈控制结构4，与探测器阵列单元3和多个平面衍射单元2连接，用于根据调制光的光强空间分布信息生成反馈控制信号，并利用反馈控制信号调整加载电压，进而对多个平面衍射单元2中非易失型相变材料的光学状态进行控制和调整，以使光学衍射结构能够对初始输入信号进行识别。
具体的，如图1所示，本发明实例的大规模可重构非易失集成三维光学衍射神经网络芯片，包括光学衍射结构和反馈控制结构4。其中，光学衍射结构包括输入加载单元1、平面衍射单元2、探测器阵列单元3。图2为在实际运算过程中，该芯片所使用的外部环境系统示意图。输入信息通过FPGA加载到空间光调制器上，改变每个像素的折射率和透过率。输入相干光经过空间光调制器后携带了输入信息，对于透射型结构，输入光垂直入射到芯片底部；对于反射型结构，输入光斜入射到衍射神经网络芯片并在内部发生来回反射，由电学阵列信号控制的相变材料改变输出信号的幅度和相位，经过多层衍射后输出。由探测器阵列接收输出信号并由模数转化器采集反馈给FPGA。FPGA处理并更新迭代相变材料阵列的电压分布并得到理想的输出。
在其中一个实施例中，当光学衍射结构为透射型结构时，输入加载单元1、多个平面衍射单元2在垂直方向依次层叠设置；各个电控相变阵列包括自下而上依次层叠的：第一透明电极、非易失型相变材料和第二透明电极；各个电控相变阵列衍射输入光，以使多个平面衍射单元2对输入光交替进行空间衍射和可重构调制。
在其中一个实施例中，当光学衍射结构为反射型结构时，输入加载单元1、多个平面衍射单元2在水平方向依次层叠设置；各个平面衍射单元2包括：自下而上依次层叠的第一反射膜、电控相变阵列和第二反射膜，且电控相变阵列中非易失型相变材料中间隔设置多个透明电极，相邻电极之间充斥着非易失型相变材料；各个平面衍射单元2使得输入光往返于电控相变阵列以及两个反射膜之间，以使多个平面衍射单元2对输入光进行可重构调制。
在其中一个实施例中，透明电极为应用波段透明的材料。
在其中一个实施例中，输入加载单元1包括：
空间光调制器，用于加载初始输入信号的幅度和相位并将其转移到输入光的空间分布上；
光束变换器，设置在输入光的出射光路上，用于调整输入光的光斑尺寸，以使其与平面衍射单元2的尺寸匹配。
其中，输入信息首先由电学控制单元加载到空间光调制器上，即改变每个像素中的液晶分子的状态来调制输入光场的振幅和相位。空间光调制器的尺寸可能与芯片衍射区的尺寸有一定的差别，为了最大化片内调制效率，在外部可以加上一套光学系统如透镜组来调整输出光斑的尺寸。
对于反射型结构，由于光需要在片内来回反射，因此需要一种低损耗的反射镜。布拉格反射镜由两种不同折射率介质交替周期性排列组成，考虑到简单性，可以采用硅和二氧化硅作为构成布拉格反射镜的材料，当入射光满足布拉格反射条件时会发生完全反射，图3a是布拉格反射镜的结构，图3b是布拉格反射镜的典型反射谱，通过设计两个材料的厚度可以调整反射谱的中心波长，增加周期性结构的层数能进一步增大反射率。
对于透射型结构，为了尽可能地利用片上衍射空间，光在片内的传输角度需要满足特定的条件，如图4所示，设芯片层的厚度为h，输入光斑的宽度为w，那么光在片内传输方向与垂直于芯片方向的夹角需要满足：tanθ＝w/2h，因此由于w的尺寸一般而言在mm量级，要使得θ在一个易实现的范围内，h也应该在mm量级。对于输入光的入射角，外部的机械控制单元应对其进行精确的调整。
在其中一个实施例中，非易失型相变材料为一种非易失型可擦除光学材料，当两侧的透明电极的加载电压不同时表现出不同的折射率和吸收系数，不同折射率影响调制光的相位，不同吸收系数影响调制光的幅值；且在移除加载电压之后能够维持光学状态不变。
具体的，本发明利用相变材料实现片上衍射神经网络的可编程，图5表示相变材料Ge2Sb2Te5在结晶态和无定形态的折射率实部和虚部随波长的变化关系，可以看到在不同的相态下其折射率和吸收系数在很宽的波长范围内都有很大的差别，并且Ge2Sb2Te5在不同的温度作用下会存在部分晶态部分无定形态，因此可以实现连续可调的折射率和吸收系数。除此之外，其相态在撤去外界加热后能保持不变，这种非易失的特性能大大降低系统工作的静态功耗。
为了实现对相变材料的大规模调控，这里借鉴了半导体存储器的寻址方式，即位选信号和字选信号共同决定了所编程的相变材料区域，如图6所示，只有横向和纵向电极同时供电时才会在两电极交叉位置产生电势差，具体数值由上下电极的电压差决定，可以在大范围内变动。电势差越大，所产生的热量越多，夹在其中的相变材料就会呈现出不同的相态，不同的光学性质。为了实现对所有电极交叉位置相变材料的性质调控，可以控制横向和纵向电极来依次遍历所有的交叉位置，由于相变材料的非易失特性，遍历完成后相变材料各处的光学性质可以维持不变。
假设神经元的数量为1000×1000，将输入光的空间分布划分1000×1000的像素，每个像素用此位置光的复振幅来表示，那么可以将输入写成一个10002×1的向量
Figure BDA0003603431960000091
，光在相变材料调制阵列之间的自由衍射可以用一个10002×10002的矩阵M来描述，相变材料调制阵列对光的作用可以看成是一个10002×10002的对角矩阵Λi(i＝1,2…),探测器阵列的作用是取输出光的强度，因此n层衍射光学神经网络探测器接收到的信息可以表示为：O＝|MΛnM…Λ2MΛ1MI|2，整个系统可以看成是首先对输入向量进行矩阵乘法，然后产生一个平方的非线性，这也是神经网络的组成部分，因此该系统完全可以被看作一个光学神经网络。
在其中一个实施例中，探测器阵列单元3为面入射型的探测器阵列或片外的图像传感器。
其中，探测器阵列可以采用放置在输出平面后的图像传感器CCD实现，也可以直接在片上异质集成三五族MSM光电探测器等面入射型的探测器阵列，如图7所示，直接将金属叉指电极沉积在有源的三五族材料上，MSM光电探测器可以等效看成由两个肖特基二极管背靠背连接而成，这种器件的电导率会随光照而改变，因此可以用于将光信号转化为电信号。异质集成的方法可以采用倒焊装、异质生长、晶片键合或者转运压印等等。
在其中一个实施例中，反馈控制结构4包括：
现场可编程门阵列FPGA，用于执行控制算法；
数模/模数转换器，与FPGA连接，用于将FPGA产生的数字电平转化模拟电平并控制非易失型相变材料的光学状态及输入信息/将探测器阵列的模拟电平转化为数字电平再送入FPGA中进行处理。
本发明提供的整个光学衍射神经网络可以工作在两种模式下：预训练模式和在线训练模式。如图8a和图8b所示，预训练模式需要提前从仿真或实验中得到自由衍射矩阵M以及相变材料在不同电势差下对光的调制作用，构建仿真模型，在电脑中采用梯度下降算法优化每个衍射位置相变材料的电势差，实现目标输出。然后将优化好的电势差配置到相变材料上，此时就完成了衍射神经网络构建。在线训练模式是指直接用实际的物理系统传输代替前述方法的数学模型传输，对物理系统的缺陷有更强的鲁棒性。
本发明提供了一种大规模可重构非易失集成三维光学衍射神经网络芯片，通过结合相变材料的非易失特性和类似于电存储器的寻址方法，能够实现易于制作的大规模片上光学衍射神经网络，可以实现零静态功耗光学矩阵计算，其综合算力可以达到500Pops甚至更高。
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 (8)

1.一种可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，包括：
光学衍射结构，包括：
输入加载单元，用于加载初始输入信号的幅度和相位并将其转移到输入光的空间分布上；
多个平面衍射单元，设置在所述输入光的入射光路上，每个所述平面衍射单元包括电控相变阵列，所述电控相变阵列依次设有第一透明电极、非易失型相变材料和第二透明电极；控制所述第一透明电极和所述第二透明电极之间的加载电压以对所述非易失型相变材料的光学状态进行调整，从而使各个所述平面衍射单元对所述输入光进行可重构调制得到调制光；
探测器阵列单元，设置在所述调制光的出射光路上，用于探测所述调制光的光强空间分布信息；
反馈控制结构，与所述探测器阵列单元和所述多个平面衍射单元连接，用于根据所述调制光的光强空间分布信息生成反馈控制信号，并利用所述反馈控制信号调整所述加载电压，进而对所述多个平面衍射单元中非易失型相变材料的光学状态进行控制和调整，以对所述光学衍射结构进行训练得到目标衍射结构，所述目标衍射结构能够识别当前输入信号的光强空间分布信息。
2.如权利要求1所述的可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，
当所述光学衍射结构为透射型结构时，所述输入加载单元、所述多个平面衍射单元在垂直方向依次层叠设置；各个所述电控相变阵列包括自下而上依次层叠的：所述第一透明电极、所述非易失型相变材料和所述第二透明电极；各个所述电控相变阵列衍射所述输入光，以使所述多个平面衍射单元对所述输入光交替进行空间衍射和可重构调制。
3.如权利要求1所述的可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，
当所述光学衍射结构为反射型结构时，所述输入加载单元、所述多个平面衍射单元在水平方向依次层叠设置；各个所述平面衍射单元包括：自下而上依次层叠的第一反射膜、所述电控相变阵列和第二反射膜，且所述电控相变阵列中所述非易失型相变材料中间隔设置多个透明电极，相邻电极之间充斥着所述非易失型相变材料；各个所述平面衍射单元使得所述输入光往返于所述电控相变阵列以及两个反射膜之间，以使所述多个平面衍射单元对所述输入光进行可重构调制。
4.如权利要求1-3任一项所述的可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，所述非易失型相变材料为一种非易失型可擦除光学材料，当两侧的透明电极的加载电压不同时表现出不同的折射率和吸收系数，不同折射率影响所述调制光的相位，不同吸收系数影响所述调制光的幅值；且在移除所述加载电压之后能够维持光学状态不变。
5.如权利要求4所述的可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，所述透明电极为应用波段透明的材料。
6.如权利要求1所述的可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，所述输入加载单元包括：
空间光调制器，用于加载初始输入信号的幅度和相位并将其转移到输入光的空间分布上；
光束变换器，设置在所述输入光的出射光路上，用于调整所述输入光的光斑尺寸，以使其与所述平面衍射单元的尺寸匹配。
7.如权利要求1所述的可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，所述探测器阵列单元为面入射型的探测器阵列或片外的图像传感器。
8.如权利要求1所述的可重构非易失性的集成三维光学衍射神经网络芯片，其特征在于，所述反馈控制结构包括：
现场可编程门阵列FPGA，用于执行控制算法；
数模/模数转换器，与所述FPGA连接，用于将所述FPGA产生的数字电平转化模拟电平并控制所述非易失型相变材料的光学状态及输入信息/将所述探测器阵列的模拟电平转化为数字电平再送入所述FPGA中进行处理。
CN202210410378.3A 2022-04-19 2022-04-19 一种可重构非易失性的集成三维光学衍射神经网络芯片 Pending CN115018041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210410378.3A CN115018041A (zh) 2022-04-19 2022-04-19 一种可重构非易失性的集成三维光学衍射神经网络芯片

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210410378.3A CN115018041A (zh) 2022-04-19 2022-04-19 一种可重构非易失性的集成三维光学衍射神经网络芯片

Publications (1)

Publication Number Publication Date
CN115018041A true CN115018041A (zh) 2022-09-06

Family

ID=83066792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210410378.3A Pending CN115018041A (zh) 2022-04-19 2022-04-19 一种可重构非易失性的集成三维光学衍射神经网络芯片

Country Status (1)

Country Link
CN (1) CN115018041A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349225A (zh) * 2023-12-06 2024-01-05 清华大学 大规模分布式光电智能计算架构与芯片系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117349225A (zh) * 2023-12-06 2024-01-05 清华大学 大规模分布式光电智能计算架构与芯片系统
CN117349225B (zh) * 2023-12-06 2024-02-13 清华大学 大规模分布式光电智能计算架构与芯片系统

Similar Documents

Publication Publication Date Title
Miscuglio et al. Photonic tensor cores for machine learning
Chung et al. Tunable metasurface inverse design for 80% switching efficiencies and 144 angular deflection
Wang et al. Overview of phase-change materials based photonic devices
Forouzmand et al. Dynamic beam control via Mie-resonance based phase-change metasurface: a theoretical investigation
Berini Optical beam steering using tunable metasurfaces
Xu et al. A survey of approaches for implementing optical neural networks
Lin et al. High-performance optical beam steering with nanophotonics
Chen et al. Opportunities and challenges for large-scale phase-change material integrated electro-photonics
An et al. Deep neural network enabled active metasurface embedded design
Thureja et al. Toward a universal metasurface for optical imaging, communication, and computation
EP4172692A1 (en) System, method and apparatus for non-mechanical optical and photonic beam steering
US20230168560A1 (en) System, method and apparatus for non-mechanical optical and photonic beam steering
Kim et al. Two-dimensional beam steering with tunable metasurface in infrared regime
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
Xu et al. Recent progress of neuromorphic computing based on silicon photonics: Electronic–photonic Co-design, device, and architecture
JP2022535807A (ja) フォトニックニューラルネットワーク
CN104298046B (zh) 基于光波导阵列电光扫描器端面的扫描光束边瓣压缩方法
CN112180649B (zh) 柔性可调谐分束器及其制备方法
Li et al. Photonic crystal with tunable air layers based asymmetric transmission film for space solar power station
Tang et al. Dynamic beam scanning metasurface with high reflectivity and independent phase control based on phase change materials
Xu et al. Hybrid photonic integrated circuits for neuromorphic computing
Dan et al. Optoelectronic integrated circuits for analog optical computing: Development and challenge
CN114609803A (zh) 一种基于液晶材料的动态超构表面
Ma et al. Intelligent neuromorphic computing based on nanophotonics and metamaterials
Lv et al. Multifunctional tunable visible light metalens based on double-layer barium titanate

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