CN115081610B - 光信号处理方法及装置、电子设备及存储介质 - Google Patents

光信号处理方法及装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115081610B
CN115081610B CN202210506374.5A CN202210506374A CN115081610B CN 115081610 B CN115081610 B CN 115081610B CN 202210506374 A CN202210506374 A CN 202210506374A CN 115081610 B CN115081610 B CN 115081610B
Authority
CN
China
Prior art keywords
optical signal
light intensity
intensity value
quantum dot
threshold
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
Application number
CN202210506374.5A
Other languages
English (en)
Other versions
CN115081610A (zh
Inventor
戴琼海
郑纪元
方璐
吴嘉敏
王延锋
卓铭
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.)
Tsinghua University
Bitmain Technologies Inc
Original Assignee
Tsinghua University
Bitmain Technologies Inc
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 Tsinghua University, Bitmain Technologies Inc filed Critical Tsinghua University
Priority to CN202210506374.5A priority Critical patent/CN115081610B/zh
Publication of CN115081610A publication Critical patent/CN115081610A/zh
Application granted granted Critical
Publication of CN115081610B publication Critical patent/CN115081610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

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

Abstract

本公开实施例提供一种光信号处理方法及装置、电子设备及存储介质，其中，所述光信号处理方法包括：将第一光信号输入量子点；获取所述量子点被所述第一光信号激发后对所述第一光信号进行非线性计算得到的第二光信号；基于所述第二光信号表征的计算结果处理所述第二光信号。

Description

光信号处理方法及装置、电子设备及存储介质
技术领域
本公开涉及光学计算领域，尤其涉及一种光信号处理方法及装置、电子设备及存储介质。
背景技术
目前光学神经网络的逻辑运算表达能力不佳，往往存在较多的过拟合或误差问题。在目前的光学计算中，误差截取的实现主要通过使用非线性材料，需要在高能量光激励下体现高阶非线性效应，从而完成对待计算信号的非线性处理。但这种方法所采用的激励光会产生过多的能耗。
发明内容
本公开实施例提供一种光信号处理方法及装置、电子设备及存储介质。
本公开实施例第一方面提供一种光信号处理方法，包括：
将第一光信号输入量子点；
获取所述量子点被所述第一光信号激发后对所述第一光信号进行非线性计算得到的第二光信号；
基于所述第二光信号表征的计算结果处理所述第二光信号。
基于上述方案，所述量子点从基态切换到激发态所需的第一时长小于第一阈值，和/或，所述量子点从激发态恢复至基态所需的第二时长大于第二阈值；所述第二阈值大于所述第一阈值。
基于上述方案，所述方法还包括：
根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值。
基于上述方案，所述根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值，包括：
查询根据所述量子点从基态切换到激发态所需能量配置的第三阈值；
根据所述第三阈值，确定所述第一光信号的第一光强值，其中，所述第一光强值大于所述第三阈值。
基于上述方案，所述第二光信号的第二光强值等于所述第一光强值与所述第三阈值的差值。
基于上述方案，所述方法还包括：
将待处理的输入信号输入预设神经网络进行运算；
获取所述预设神经网络运算后输出的所述第一光信号。
基于上述方案，所述将第一光信号输入量子点，包括：
将所述第一光信号输入N个量子点，其中，所述N是根据所述预设神经网络运算产生的误差值确定的正整数。
基于上述方案，所述量子点设置于芯片上；所述芯片上还设置有至少一个光刻槽；所述光刻槽用于提供所述预设神经网络的运算功能。
基于上述方案，所述芯片上还设置有沟槽；所述量子点用于通过旋涂或抬离方式设置于所述沟槽内部。
基于上述方案，所述芯片上还设置有基片；所述量子点用于旋涂设置于所述基片表面。
基于上述方案，所述量子点的材质包括：硫化铅。
本公开实施例第二方面提供一种光信号处理装置，包括：
输入单元，用于将第一光信号输入量子点；
获取单元，用于获取所述量子点被所述第一光信号激发后对所述第一光信号进行非线性计算得到的第二光信号；
处理单元，用于基于所述第二光信号表征的计算结果处理所述第二光信号。
基于上述方案，所述量子点从基态切换到激发态所需的第一时长小于第一阈值，和/或，所述量子点从激发态恢复至基态所需的第二时长大于第二阈值；所述第二阈值大于所述第一阈值。
基于上述方案，所述装置还包括：
确定单元，用于根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值。
基于上述方案，所述确定单元，具体用于：
查询根据所述量子点从基态切换到激发态所需能量配置的第三阈值；
根据所述第三阈值，确定所述第一光信号的第一光强值，其中，所述第一光强值大于所述第三阈值。
基于上述方案，所述第二光信号的第二光强值等于所述第一光强值与所述第三阈值的差值。
基于上述方案，所述装置还包括：
运算单元，用于将待处理的输入信号输入预设神经网络进行运算；
输出单元，用于获取所述预设神经网络运算后输出的所述第一光信号。
基于上述方案，所述输入单元，具体用于：
将所述第一光信号输入N个量子点，其中，所述N是根据所述预设神经网络运算产生的误差值确定的正整数。
基于上述方案，所述量子点设置于芯片上；所述芯片上还设置有至少一个光刻槽；所述光刻槽用于提供所述预设神经网络的运算功能。
基于上述方案，所述芯片上还设置有沟槽；所述量子点用于通过旋涂或抬离方式设置于所述沟槽内部。
基于上述方案，所述芯片上还设置有基片；所述量子点用于旋涂设置于所述基片表面。
本公开实施例第三方面提供一种电子设备，包括：
用于存储处理器可执行指令的存储器；
处理器，与所述存储器连接；
其中，所述处理器被配置为执行如前述任意技术方案提供的光信号处理方法。
本公开实施例第四方面提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由计算机的处理器执行时，使得计算机能够执行如前述任意技术方案提供的光信号处理方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例中提供的光信号处理方法包括：将第一光信号输入量子点；获取所述量子点被所述第一光信号激发后对所述第一光信号进行非线性计算得到的第二光信号；基于所述第二光信号表征的计算结果处理所述第二光信号。如此，基于量子点直接通过待处理的第一光信号激发，进而对第一光信号进行非线性计算，减少通过额外的高能量光激励非线性材料导致不必要的能耗，降低光信号非线性计算的能耗。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种光信号处理方法的流程示意图；
图2是根据一示例性实施例示出的量子点中电子跃迁示意图；
图3是根据一示例性实施例示出的量子点输入输出光强关系示意图；
图4是根据一示例性实施例示出的一种光信号处理方法的流程示意图；
图5是根据一示例性实施例示出的一种光信号处理方法的流程示意图；
图6是根据一示例性实施例示出的芯片上量子点设置的结构示意图；
图7是根据一示例性实施例示出的一种基于基底的量子点设置示意图；
图8是根据一示例性实施例示出的一种光信号处理装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置的例子。
如图1所示，本公开实施例提供一种光信号处理方法，包括：
S110：将第一光信号输入量子点；
S120：获取所述量子点被所述第一光信号激发后对所述第一光信号进行非线性计算得到的第二光信号；
S130：基于所述第二光信号表征的计算结果处理所述第二光信号。
在本公开实施例中，第一光信号为需要进行非线性计算的光信号，量子点为半导体材料，例如可包括：箱形量子点、球形量子点、四面体量子点或柱形量子点等。量子点可具备激发能量阈值，即强度等于激发能量阈值的光被量子点吸收时，量子点从基态切换到激发态。其中，量子点中处于基态能级的电子吸收光子能量值达到激发能量阈值，电子跃迁至激发态，此时量子点被第一光信号激发。
如图2所示，量子点基态能级是A，吸收光后电子被激发到高能级B，而后电子迅速弛豫到能级C，通过辐射复合C——A或非辐射复合过程C—D—A完成能量的恢复。这里，量子点被第一光信号激发后所处的激发态对应的能级可以是能级B，也可以是能级C。
这里，τab为从能级A跃迁至能级B的时长，τhcc为从能级B驰豫至能级C的时长，τNR为在非辐射复合中从能级C恢复至能级D的时长，τR为辐射复合中从能级C恢复至能级A的时长。
示例性的，假设光通过路径上所有基态电子数目为N，电子复合寿命为τ，光子能量为σ。若光经过量子点被吸收的量子效率为100％，则饱和阈值光强即激发能量阈值Lt为Nσ/τ，一般情况下σ未定值(例如，1550nm波长的光子能量为0.8eV)。按照10层量子点，量子点尺寸10nm，神经元尺寸200nm估算，当τ＝100ns时，饱和阈值功率是5nW。
如图3所示，当量子点的入射光微弱的时候，大部分光被吸收，透过光强基本为0。当入射光强超过饱和吸收阈值能量的时候，光能够透过量子点区域，实现非线性运算功能。
阈值光强对应于激发能量阈值的光信号，输出光强为量子点输出的第二光信号的光强，输入光强为输入量子点的第一光信号的光强。量子点在光强达到阈值光强的第一光信号通过时，会被第一光信号激发，从而产生输出信号。
在一个实施例中，量子点输出信号光强值为0时，输出结果即第二光信号可以表征为0；量子点输出信号光强值大于0时，输出结果即第二光信号可以表征为1。如此，基于量子点的激发能量阈值形成非线性计算结果的输出，可以提高非线性系数。
在一个实施例中，量子点采用激发速率高且复合速率低的材质，例如包含铅族元素的材质，可选的，例如硫化铅等。由于激发速率高，在接收到第一光信号时十分容易被激发，同时在激发后不容易恢复至基态，可保证激发态下对第一光信号的非线性计算过程稳定可靠，降低中途由于恢复为基态导致的计算误差。
在另一个实施例中，第二光信号可以为第一光信号在激发量子点后输出的光强值降低的光信号。例如，量子点的激发能量阈值为x，第一光信号的光强值为y，则第二光信号的光强值可以为y-x。如此，基于量子点的激发能量阈值产生对第一光信号的饱和吸收之后，得到的第二光信号可以形成对第一光信号的误差截取，以得到精确的计算结果。
在一个实施例中，所述光信号处理方法可以应用于芯片中，例如用于光学计算等功能的芯片。芯片上通过制备量子点对芯片上或者芯片外部的其他光学器件产生的第一光信号进行处理，可以极大地提高芯片的信号处理能力。
如此，基于量子点对第一光信号进行处理，可以通过第一光信号本身进行激发，减少额外的高能量光激发非线性材料导致的多余功耗。另外，还可以基于量子点的激发能量阈值在被激发后对第一光信号进行误差截取，实现更加精准的非线性计算。
在一些实施例中，所述量子点从基态切换到激发态所需的第一时长小于第一阈值，和/或，所述量子点从激发态恢复至基态所需的第二时长大于第二阈值；所述第二阈值大于所述第一阈值。
这里，第一阈值和第二阈值，可以根据第一光信号的信号参数等确定。例如，第一光信号为经过预设神经网络运算后输出的，则可以根据预设神经网络的运算参数确定第一光信号的信号参数。
示例性的，衍射神经网络对输入信号进行逻辑运算后输出第一光信号，则用于处理第一光信号的量子点对应的第一阈值和第二阈值，可以根据以下中的至少一个确定：衍射神经网络的神经元数量、产生的误差数值范围以及第一光信号的第一光强值范围。
其中，例如，神经元数量越多，对应的量子点第一阈值可以越低，第二阈值可以越高。
在本公开实施例中，量子点在输入光强值达到激发能量阈值的第一光信号的时刻作为第一起始时刻，在切换至激发态的时刻作为第一终止时刻，第一起始时刻和第一终止时刻期间的第一时长小于第一阈值。
在一个实施例中，量子点从切换至激发态的时刻或者开始产生复合的时刻作为第二起始时刻，恢复至基态的时刻作为第二终止时刻，第二起始时刻和第二终止时刻期间的第二时长大于第二阈值。
如此，量子点的饱和吸收速率快，复合速率慢，从而可以更加高效稳定的提供非线性处理。
在一些实施例中，如图4所示，所述方法还包括：
S101：根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值。
在本公开实施例中，第一光信号的第一光强值，可以大于量子点从基态切换至激发态所需的能量，即激发能量阈值或者饱和吸收阈值。
当输入量子点的第一光信号的第一光强值大于激发能量阈值时，量子点中电子达到饱和吸收，此时输出的第二光信号能量大于0。
在一个实施例中，第一光强值也可以大于量子点的激发能量阈值乘以量子点中电子数量，例如，量子点包含一个电子，则第一光强值可以大于激发能量阈值；量子点包含两个电子，则第一光强值可以大于激发能量阈值乘2，以使两个电子都达到饱和吸收，以输出第二光信号。
在一个实施例中，第一光强值大于激发能量阈值时，得到的第二光信号的第二光强值大于0。
如此，可以实现第一光信号输入量子点后，可以成功激发量子点，从而降低需要通过额外的光激励量子点产生的功耗。
当然，在具体实施过程中，第一光强值也可能小于或等于激发能量阈值，此时得到的第二光信号的第二光强值为0，即量子点不输出第二光信号。
在一些实施例中，所述根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值，包括：
查询根据所述量子点从基态切换到激发态所需能量配置的第三阈值；
根据所述第三阈值，确定所述第一光信号的第一光强值，其中，所述第一光强值大于所述第三阈值。
这里，第三阈值也就是前述实施例中的激发能量阈值或者饱和吸收阈值，当输入量子点的第一光信号的第一光强值大于第三阈值时，量子点中电子完成跃迁，处于饱和吸收状态。此时量子点输出第二光信号。
在一个实施例中，第一光强值大于第三阈值时，得到的第二光信号的第二光强值大于0。
在一些实施例中，所述第二光信号的第二光强值等于所述第一光强值与所述第三阈值的差值。
这里，第一光强值大于第三阈值时，第二光强值等于第一光强值与第三阈值的差值。
当然，在具体实施过程中，第一光强值也可能小于或等于第三阈值，此时得到的第二光信号的第二光强值为0，即量子点不输出第二光信号。
在另一个实施例中，第一光强值小于第三阈值时，第二光强值可以等于0。
第二光强值等于0时，即量子点不输出第二光信号。
在一些实施例中，如图5所示，所述方法还包括：
S102：将待处理的输入信号输入预设神经网络进行运算；
S103：获取所述预设神经网络运算后输出的所述第一光信号。
在本公开实施例中，第一光信号可以为预设神经网络进行逻辑运算后输出的信号，例如，预设神经网络可包括：光学干涉神经网络或衍射神经网络等。
示例性的，光信号在芯片面内传播，在经过衍射神经网络的加权运算后，入射到量子点中完成非线性误差截取计算。
在一个实施例中，预设神经网络可以包含多个预设神经元，预设神经元对输入信号进行逻辑运算等运算处理后，输出第一光信号。例如，衍射神经网络中可以包含多个衍射神经元。
在一些实施例中，所述将第一光信号输入量子点，可包括：
将所述第一光信号输入N个量子点，其中，所述N是根据所述预设神经网络运算产生的误差值确定的正整数。
在本公开实施例中，用于对第一光信号进行非线性处理的可以包括N个量子点，例如，N个量子点以N层的方式排列，第一光信号可以以垂直N层排列结构的方式依次通过N层量子点。
在一个实施例中，第一光信号输入N个量子点后，输出的第二光信号的第二光强值等于第一光强值与第三阈值乘以N，即第一光信号将N个量子点全部激发后输出第二光信号。
在一个实施例中，量子点的数量N可以根据预设神经网络运算产生的误差范围确定，例如，当衍射神经网络产生误差值为z，每一量子点的激发能量阈值或者第三阈值为x，则N可以为z/x。
如此，基于N个量子点对第一光信号光强值的截取，实现误差截取功能，可以精确控制对不同神经网络运算产生的误差，进一步提高运算准确性。
在一些实施例中，如图6所示，所述量子点设置于芯片上；所述芯片上还设置有至少一个光刻槽；所述光刻槽用于提供所述预设神经网络的运算功能。
如此，在利用量子点饱和吸收特性增加光学计算非线性效果的基础上，将量子点集成在芯片表面，由于量子点尺寸小，易于提高集成度。
在一些实施例中，所述芯片上还设置有沟槽；所述量子点用于通过旋涂或抬离方式设置于所述沟槽内部。
这里的沟槽结构，可以在芯片上通过光刻，刻蚀等标准微纳加工工艺制备。
在一些实施例中，如图7所示，所述芯片上还设置有基片；所述量子点用于旋涂设置于所述基片表面。
这里，基片的材质可以包括：蓝宝石，石英或者硅等。在基片上旋涂量子点溶液，烘干后可得到一层量子点，第一光信号在垂直通过其表面的时候，将产生非线性运算。
在一些实施例中，所述量子点的材质包括：硫化铅。
这里，量子点材质可以选取符合吸收速率高且复合速率低的材质，例如包含铅族元素的材料，比如优选的可以为硫化铅(PdS)等。
优选的，量子点中硫化铅含量可以为100％，即所述量子点的材质为硫化铅，通过全量硫化铅制备的量子点实现非线性处理。
在一些实施例中，量子点中硫化铅含量可以不低于预设含量阈值，例如量子点中还包含一定含量的其他材质，用于与硫化铅相互作用形成更好的非线性处理效果，或者，其他材质还可以作为包裹保护硫化铅材质的外壳等。预设含量阈值可以为90％、95％或98％等，从而减少硫化铅含量不足导致的非线性处理效果差。
例如：量子点的材质包括硫化铅，其中，所述硫化铅的含量不低于95％。
在一个实施例中，量子点还可以包含用于保护硫化铅材料的保护层。例如包裹在硫化铅材质外面的外壳，示例性的，可采用二氧化硅等材料制成保护层。
如此，利用PdS等材料制备的量子点高速吸收和低速复合的特点，可实现低阈值饱和吸收能量的非线性计算功能。
如图8所示，本公开实施例提供一种光信号处理装置，包括：
输入单元10，用于将第一光信号输入量子点；
获取单元20，用于获取所述量子点被所述第一光信号激发后对所述第一光信号进行非线性计算得到的第二光信号；
处理单元30，用于基于所述第二光信号表征的计算结果处理所述第二光信号。
在一些实施例中，所述量子点从基态切换到激发态所需的第一时长小于第一阈值，和/或，所述量子点从激发态恢复至基态所需的第二时长大于第二阈值；所述第二阈值大于所述第一阈值。
在一些实施例中，所述装置还包括：
确定单元，用于根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值。
在一些实施例中，所述确定单元，具体用于：
查询根据所述量子点从基态切换到激发态所需能量配置的第三阈值；
根据所述第三阈值，确定所述第一光信号的第一光强值，其中，所述第一光强值大于所述第三阈值。
在一些实施例中，所述第二光信号的第二光强值等于所述第一光强值与所述第三阈值的差值。
在一些实施例中，所述装置还包括：
运算单元，用于将待处理的输入信号输入预设神经网络进行运算；
输出单元，用于获取所述预设神经网络运算后输出的所述第一光信号。
在一些实施例中，所述输入单元，具体用于：
将所述第一光信号输入N个量子点，其中，所述N是根据所述预设神经网络运算产生的误差值确定的正整数。
以下结合上述任一实施例提供一个具体示例：
理想的量子点基态能级只有一个电子，该电子吸收光子跃迁后，基态能级上不再有其他电子可以进一步吸收光子，直到被激发的电子通过辐射复合或者非辐射复合作用重新回到基态。饱和吸收发生在所有的量子点的基态电子全部被激发。
如果光通过路径上所有基态电子数目为N，电子复合寿命为τ，光子能量为σ。假设光经过量子点被吸收的量子效率为100％，则饱和阈值光强Lt为Nσ/τ，一般情况下σ未定值(1550nm波长的光子能量为0.8eV)，按照10层量子点，量子点尺寸10nm，神经元尺寸200nm估算，当τ＝100ns时，饱和阈值功率是5nW，非常节能。
需要注意的是，并非所有材料制备的量子点τ值都如此长，比如III-V族材料量子点的τ值在100ps量级，对应饱和阈值功率高达5mW。实际使用中可挑选类似PdS这样量子点τ值较大的材料。
量子点为无源光学结构，无需额外能量就能对光场产生非线性计算作用。当入射光微弱的时候，大部分光被吸收，透过光强基本为0。当入射光强超过饱和吸收阈值能量的时候，光能够透过量子点区域，实现非线性运算功能。
以衍射神经网络为例，光在芯片面内传播，在经过衍射神经元的加权运算后，入射到布满量子点的沟槽中完成非线性误差截取计算。这种沟槽结构可以通过光刻，刻蚀等标准微纳加工工艺制备。量子点可以通过旋涂，抬离等方式布满在沟槽内部。
除此之外，还可以在基片上(比如蓝宝石，石英，硅等材料)旋涂量子点溶液，烘干后可得一层量子点，光线垂直通过其表面的时候，将产生非线性运算。
相较于相关技术的非线性计算体系，在能耗方面：本实施例基于光学饱和吸收效应非线性基本原理，利用具有光吸收速率高，复合速率低的非对称型材料(比如PdS量子点)制备低阈值能量光学非线性器件，有效降低能耗。
在非线性系数方面：饱和吸收效应的非线性系数显著优于平方非线性。
在集成度方面：本实施例提出利用PdS等材料制备的量子点来进行非线性计算，尺寸较小，易于集成。
本公开实施例提供一种电子设备，包括：
用于存储处理器可执行指令的存储器；
处理器，与存储器连接；
其中，处理器被配置为执行前述任意技术方案提供的光信号处理方法。
处理器可包括各种类型的存储介质，该存储介质为非临时性计算机存储介质，在电子设备掉电之后能够继续记忆存储其上的信息。
处理器可以通过总线等与存储器连接，用于读取存储器上存储的可执行程序，例如，能够执行前述一个或多个技术方案所述方法。
本公开一实施例示出一种电子设备的结构。电子设备包括处理组件，其进一步包括一个或多个处理器，以及由存储器所代表的存储器资源，用于存储可由处理组件的执行的指令，例如应用程序。存储器中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件被配置为执行指令，以执行上述方法应用在所述电子设备的任意方法，例如，前述一个或多个技术方案所述方法。
电子设备还可以包括一个电源组件被配置为执行电子设备的电源管理，一个有线或无线网络接口被配置为将电子设备连接到网络，和一个输入输出(I/O)接口。电子设备可以操作基于存储在存储器的操作系统，例如Windows Server TM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本公开实施例提供一种非临时性计算机可读存储介质，当存储介质中的指令由计算机的处理器执行时，使得计算机能够执行前述一个或多个技术方案所述的光信号处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (20)

1.一种光信号处理方法，其特征在于，所述方法包括：
将第一光信号输入量子点；所述量子点用于输出第二光信号；
其中，所述第一光信号的第一光强值小于或等于所述量子点的激发能量阈值时，所述第二光信号的第二光强值等于0；所述第一光信号的第一光强值大于所述量子点的激发能量阈值时，所述量子点从基态切换到激发态，所述第二光信号的第二光强值大于0，以实现非线性运算功能；
所述第二光强值大于0时，所述量子点的输出结果表征为1；所述第二光强值等于0时，所述输出结果表征为0。
2.根据权利要求1所述的方法，其特征在于，所述量子点从基态切换到激发态所需的第一时长小于第一阈值，和/或，所述量子点从激发态恢复至基态所需的第二时长大于第二阈值；所述第二阈值大于所述第一阈值。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值，包括：
查询根据所述量子点从基态切换到激发态所需能量配置的第三阈值；
根据所述第三阈值，确定所述第一光信号的第一光强值，其中，所述第一光强值大于所述第三阈值。
5.根据权利要求4所述的方法，其特征在于，所述第二光信号的第二光强值等于所述第一光强值与所述第三阈值的差值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将待处理的输入信号输入预设神经网络进行运算；
获取所述预设神经网络运算后输出的所述第一光信号。
7.根据权利要求6所述的方法，其特征在于，所述将第一光信号输入量子点，包括：
将所述第一光信号输入N个量子点，其中，所述N是根据所述预设神经网络运算产生的误差值确定的正整数。
8.根据权利要求6所述的方法，其特征在于，所述量子点设置于芯片上；所述芯片上还设置有至少一个光刻槽；所述光刻槽用于提供所述预设神经网络的运算功能。
9.根据权利要求8所述的方法，其特征在于，所述芯片上还设置有沟槽；所述量子点用于通过旋涂或抬离方式设置于所述沟槽内部。
10.根据权利要求8所述的方法，其特征在于，所述芯片上还设置有基片；所述量子点用于旋涂设置于所述基片表面。
11.根据权利要求1所述的方法，其特征在于，所述量子点的材质包括：硫化铅。
12.一种光信号处理装置，其特征在于，所述装置包括：
输入单元，用于将第一光信号输入量子点；所述量子点用于输出第二光信号；
其中，所述第一光信号的第一光强值小于或等于所述量子点的激发能量阈值时，所述第二光信号的第二光强值等于0；所述第一光信号的第一光强值大于所述量子点的激发能量阈值时，所述量子点从基态切换到激发态，所述第二光信号的第二光强值大于0，以实现非线性运算功能；
所述第二光强值大于0时，所述量子点的输出结果表征为1；所述第二光强值等于0时，所述输出结果表征为0。
13.根据权利要求12所述的装置，其特征在于，所述量子点从基态切换到激发态所需的第一时长小于第一阈值，和/或，所述量子点从激发态恢复至基态所需的第二时长大于第二阈值；所述第二阈值大于所述第一阈值。
14.根据权利要求12所述的装置，其特征在于，所述装置还包括：
确定单元，用于根据所述量子点从基态切换到激发态所需能量，确定所述第一光信号的第一光强值。
15.根据权利要求14所述的装置，其特征在于，所述确定单元，具体用于：
查询根据所述量子点从基态切换到激发态所需能量配置的第三阈值；
根据所述第三阈值，确定所述第一光信号的第一光强值，其中，所述第一光强值大于所述第三阈值。
16.根据权利要求15所述的装置，其特征在于，所述第二光信号的第二光强值等于所述第一光强值与所述第三阈值的差值。
17.根据权利要求12所述的装置，其特征在于，所述装置还包括：
运算单元，用于将待处理的输入信号输入预设神经网络进行运算；
输出单元，用于获取所述预设神经网络运算后输出的所述第一光信号。
18.根据权利要求17所述的装置，其特征在于，所述输入单元，具体用于：
将所述第一光信号输入N个量子点，其中，所述N是根据所述预设神经网络运算产生的误差值确定的正整数。
19.一种电子设备，其特征在于，包括：
用于存储处理器可执行指令的存储器；
处理器，与所述存储器连接；
其中，所述处理器被配置为执行如权利要求1至11中任一项提供的光信号处理方法。
20.一种非临时性计算机可读存储介质，当所述存储介质中的指令由计算机的处理器执行时，使得计算机能够执行如权利要求1至11中任一项提供的光信号处理方法。
CN202210506374.5A 2022-05-10 2022-05-10 光信号处理方法及装置、电子设备及存储介质 Active CN115081610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210506374.5A CN115081610B (zh) 2022-05-10 2022-05-10 光信号处理方法及装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210506374.5A CN115081610B (zh) 2022-05-10 2022-05-10 光信号处理方法及装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115081610A CN115081610A (zh) 2022-09-20
CN115081610B true CN115081610B (zh) 2023-03-28

Family

ID=83248172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210506374.5A Active CN115081610B (zh) 2022-05-10 2022-05-10 光信号处理方法及装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115081610B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091936A (zh) * 2013-01-23 2013-05-08 西安理工大学 基于光吸收的漂白效应实现全光逻辑与运算的方法
CN113168585A (zh) * 2018-10-25 2021-07-23 詹姆斯·塔格 相对论量子计算机/量子引力计算机
WO2021228972A1 (en) * 2020-05-13 2021-11-18 Inl - International Iberian Nanotechnology Laboratory A neuromorphic device and a neural network system
CN113673677A (zh) * 2021-08-18 2021-11-19 山东云海国创云计算装备产业创新中心有限公司 一种非线性激活函数relu的实现方法、设备及介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7076138B2 (en) * 2004-02-20 2006-07-11 Altair Center, Llc Nanophotonic devices based on quantum systems embedded in frequency bandgap media
CN108288813A (zh) * 2018-01-31 2018-07-17 上海大学 基于金属表面等离子共振增强效应的PbS量子点光纤放大器及其制备方法
US20200327403A1 (en) * 2019-04-15 2020-10-15 The Hong Kong University Of Science And Technology All optical neural network
US11790221B2 (en) * 2019-05-23 2023-10-17 Massachusetts Institute Of Technology Quantum optical neural networks
CN112883534A (zh) * 2019-11-30 2021-06-01 华为技术有限公司 一种光计算设备以及光信号处理方法
CN111860822B (zh) * 2020-07-20 2023-09-26 联合微电子中心有限责任公司 光学神经网络的全光非线性激活函数实现方法、装置
CN112418403B (zh) * 2020-11-25 2022-06-28 清华大学 基于光学衍射原理和可编程器件的光学衍射计算处理器
CN113644984B (zh) * 2021-10-14 2022-03-11 清华大学 光电数字逻辑运算的光学逻辑元件及其逻辑运算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091936A (zh) * 2013-01-23 2013-05-08 西安理工大学 基于光吸收的漂白效应实现全光逻辑与运算的方法
CN113168585A (zh) * 2018-10-25 2021-07-23 詹姆斯·塔格 相对论量子计算机/量子引力计算机
WO2021228972A1 (en) * 2020-05-13 2021-11-18 Inl - International Iberian Nanotechnology Laboratory A neuromorphic device and a neural network system
CN113673677A (zh) * 2021-08-18 2021-11-19 山东云海国创云计算装备产业创新中心有限公司 一种非线性激活函数relu的实现方法、设备及介质

Also Published As

Publication number Publication date
CN115081610A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Wan et al. In‐sensor computing: materials, devices, and integration technologies
US11522725B2 (en) Reducing amount of helper data in silicon physical unclonable functions via lossy compression without production-time error characterization
EP3736748A1 (en) Quantum d-state ac-stark shift gate
CN113326944B (zh) 一种量子电路及量子处理器
CN115081610B (zh) 光信号处理方法及装置、电子设备及存储介质
Wang et al. Stability of quantum motion: Beyond Fermi-golden-rule and Lyapunov decay
Jahandardoost et al. Heat-and light-soaking behavior of RbF-treated Cu (In, Ga) Se2 solar cells with two different buffer layers
Tsyplyatyev et al. Classical and quantum regimes of the inhomogeneous dicke model and its ehrenfest time
Schlaginhaufen et al. Identifiability and generalizability in constrained inverse reinforcement learning
Machnikowski Theory of two-photon processes in quantum dots: Coherent evolution and phonon-induced dephasing
Das et al. Power optimization of Pseudo Noise based optical transmitter using LVCMOS IO standard
CN113283606B (zh) 构建量子逻辑门的方法、装置、计算机存储介质及终端
Koo et al. Proposition of Adaptive Read Bias: A Solution to Overcome Power and Scaling Limitations in Ferroelectric‐Based Neuromorphic System
Gasse et al. Rewriting Rules into SROIQ Axioms.
US11187578B1 (en) Single-photon detection method and apparatus
Creffield et al. Theory of 2 δ-kicked quantum rotors
Khokhar et al. Nanoscale memristive crossbar circuits for approximate edge detection in smart cameras
Johri et al. Large-disorder renormalization group study of the Anderson model of localization
Xu et al. Effect of quadruple size transistor on SRAM physically unclonable function stabilized by hot carrier injection
CN117669755B (zh) 超导量子芯片及控制cz门保真度的方法
CN112514083A (zh) 包括多种类型太阳能电池的电子设备
Yalouz et al. Extended star graph as a light-harvesting-complex prototype: Excitonic absorption speedup by peripheral energy defect tuning
US11183989B1 (en) Electrical circuits for leakage reduction units
Sanchez et al. Local field correction to the second laser threshold
CN107359109A (zh) 一种半导体晶圆清洗方法

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