CN116306859A - 一种基于光注入的并行光储备池计算性能提升系统及方法 - Google Patents
一种基于光注入的并行光储备池计算性能提升系统及方法 Download PDFInfo
- Publication number
- CN116306859A CN116306859A CN202310027091.7A CN202310027091A CN116306859A CN 116306859 A CN116306859 A CN 116306859A CN 202310027091 A CN202310027091 A CN 202310027091A CN 116306859 A CN116306859 A CN 116306859A
- Authority
- CN
- China
- Prior art keywords
- light
- laser
- optical
- reserve
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 54
- 239000007924 injection Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims abstract description 82
- 239000004065 semiconductor Substances 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 28
- 230000010365 information processing Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims description 13
- 230000002269 spontaneous effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 22
- 230000001052 transient effect Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
-
- 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)
- 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)
- Semiconductor Lasers (AREA)
Abstract
本发明公开了一种基于光注入的并行光储备池计算性能提升系统及方法,包括输入层,用于将初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号,通过设置光源,将调制信号加载为光源的相位信息,输入层的调制信号经过调制后注入到储备池层;储备池层,通过引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,通过分别调整两个光反馈半导体激光器参数,按照节点间隔在一个时延反馈周期内对从激光器的输出进行采样,分别获得两个并行储备池系统的状态向量。具有实现新型的时延光储备池系统结构,能够在优化储备池计算系统性能的同时突破其信息处理速率瓶颈的优点。
Description
技术领域
本发明涉及计算机和计算性能提升技术领域,具体而言,涉及一种基于光注入的并行光储备池计算性能提升系统及方法。
背景技术
目前,随着近年来人工智能、大数据等信息技术的高速发展,其对低损耗、高算力的新型计算方式提出了迫切需求。但是在冯诺依曼架构计算机中,存在着由于存算分离导致的功耗墙以及内存墙。随着摩尔定律的放缓,传统计算机已经逐步不能满足当今社会庞大的数据处理需求。作为一种借鉴人类大脑神经系统结构和信息处理方式的新型计算系统,神经拟态计算将计算单元和存储单元合二为一,能够在硬件实现和软件算法等多个层面对现有的计算体系与系统做出本质的革新。
储备池计算能够模拟人脑皮质电路的计算框架,目前已经在模式识别、时间序列预测等多个领域得到了广泛的应用。但是随着摩尔定律的放缓以及电子瓶颈等问题,传统基于微电子技术的储备池计算实现方法已经难以更进一步的提高计算的能效和速度。半导体激光器具有体积小、结构简单、易于集成以及工作稳定等特性,因此基于半导体激光器实现的光储备池计算能够充分融合神经拟态计算、高速光通信以及光计算的优点,具有多维度、超高速、大带宽等优势,能够在有效提高计算速度的同时降低能耗。目前光储备池计算系统的物理实现主要有两种方式,分别为大规模节点光储备池以及时延光储备池。在现有技术中,时延光储备池计算系统的结构简单,将传统储备池系统中的节点网络简化为一个带有延时反馈信号的非线性节点,有效的降低了硬件实现的难度。然而,在确保时延光储备池系统计算性能的同时,对其数据处理速率也提出了更高的要求。因此亟待探索新型的时延光储备池系统结构,优化储备池计算系统性能的同时突破其信息处理速率的瓶颈。
综上所述,如何实现新型的时延光储备池系统结构,能够在优化储备池计算系统性能的同时突破其信息处理速率的瓶颈。
发明内容
本发明的主要目的在于提供一种基于光注入的并行光储备池计算性能提升系统及方法,以解决现有技术中如何实现新型的时延光储备池系统结构,能够在优化储备池计算系统性能的同时突破其信息处理速率的瓶颈的问题。
为了实现上述目的,本发明提供了一种基于光注入的并行光储备池计算性能提升系统,包括:
输入层,用于将初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号,通过设置光源,将调制信号加载为光源的相位信息保持光源输出强度的稳定,输入层的调制信号经过调制后注入到储备池层;
储备池层,用于通过引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,通过分别调整两个光反馈半导体激光器参数,按照节点间隔在一个时延反馈周期内对从激光器的输出进行采样,分别获得两个并行储备池系统的状态向量,合并两个向量作为新的储备池网络状态向量对数据训练和预测;
输出层,用于输出结果。
优选的,所述储备池层包括从激光器,所述从激光器与环形器相连,所述环形器与衰减器相连,所述衰减器与耦合器相连,所述耦合器与环形器相连。
优选的,所述从激光器与主激光器相连。
优选的,所述主激光器、从激光器、环形器、衰减器和耦合器分别成对设置,所述主激光器、从激光器、环形器、衰减器和耦合器构成两条储备池层系统链。
根据本发明的另一方面提供了一种基于光注入的并行光储备池计算性能提升方法,包括:
在输入层,初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号,将调制信号加载为光源的相位信息保持光源输出强度的稳定,输入层的调制信号经过调制后注入到储备池层。
在储备池层引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,设置两个光反馈半导体激光器,调整两个光反馈半导体激光器参数,按照节点间隔在一个时延反馈周期内对从光反馈半导体激光器的输出进行采样,分别获得两个并行储备池系统的状态向量,合并两个向量作为新的储备池网络状态向量对数据进行训练和预测。
优选的,描述光反馈激光器动态特性的速率方程组为:
其中:E1,2(t)为两个光反馈半导体激光器的复慢变电场;N1,2(t)为载流子密度;G1,2(t)为增益系数;Iin为从激光器接收的外光注入光强,kin对应的光注入系数;Is为输入层光源的光强,ks为光注入系数;kf代表从激光器光反馈系数;τf代表光反馈时延;τp表示激光器腔内光子寿命;τe表示自发载流子寿命;q为电子电荷;Ith为激光器阈值电流;Pf为电流因子;g微分增益;α为线宽增强因子;ε为饱和增益系数;N0为透明载流子密度;Δωs1,2为调制光源与响应激光器之间的频率偏移;Δωin1,2为外部光注入与响应激光器的频率差;FN1,2为自发辐射噪声。
优选的,所述输入层的信息采样保持时间等于激光器反馈时延和虚拟节点间隔之和,当从激光器反馈时延减小时,光储备池系统的信息处理的速率增加。
优选的,所述输出层计算公式为:y=∑WoutXM。
其中,y为输出向量;Wout为输出层中的权重矩阵;XM为合并后的储备池网络状态向量。
应用本发明的技术方案,提出基于外光注入的并行储备池计算方案,引入外部光注入将单个光反馈半导体激光器的瞬时响应时间从179ps降低到50ps,扩展虚拟节点间隔的取值范围,提升光储备池系统的信息处理速率。保持反馈时延以及虚拟节点间隔不变,将两个外光注入储备池系统的节点状态合并构成并行储备池计算系统,储备池网络节点的个数能够增加到单个储备池系统的2倍,在相同工作参数以及信息处理速率的情况下,基于外光注入的并行光储备池计算系统能够将预测误差降低为传统的延迟光储备池计算系统的1/9。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了根据本发明的基于光注入的并行光储备池计算性能提升方法的现有方案的结构示意图;
图2示出了图1中的基于光注入的并行光储备池计算性能提升方法的结构示意图;
图3示出了图1及图2中的基于光注入的并行光储备池计算性能提升方法的不同光储备池系统中从激光器输出的自相关函数;
图4示出了图1及图2中的基于光注入的并行光储备池计算性能提升方法的改变反馈强度对不同储备池系统计算性能的影响规律。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1至图4所示,本发明实施例提供了一种基于光注入的并行光储备池计算性能提升系统,包括输入层,用于将初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号,通过设置光源,将调制信号加载为光源的相位信息保持光源输出强度的稳定,输入层的调制信号经过调制后注入到储备池层;储备池层,用于通过引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,通过分别调整两个光反馈半导体激光器参数,按照节点间隔在一个时延反馈周期内对从激光器的输出进行采样,分别获得两个并行储备池系统的状态向量,合并两个向量作为新的储备池网络状态向量对数据训练和预测;输出层,用于输出结果。
在传统光储备池系统计算性能及速率的优化方案中,通常利用并行的多个非线性节点代替单个非线性节点,在保证储备池网络总的节点个数不变的情况下,降低单个激光器延时环路中节点的个数,进而提升信息处理的速率。其中一种方法的系统如图1所示。该方案为基于电信息调制的并行储备池系统,系统中的并行储备池由两个光反馈半导体激光器组成。原始信息采样调制后直接用于调制激光器的泵浦电流,在激光器的一个反馈周期τ内,按照节点间隔θ对半导体激光器的输出进行采样作为虚拟节点状态。合并两个激光器的虚拟节点状态矩阵作为训练和测试使用的储备池网络状态,因此储备池状态的维度从单个激光器的n变为合并后的2n,进而提升了光储备池系统的计算性能。
时延光储备池计算系统的数据处理速率取决于输入层信息节点采样保持时间的倒数。但是由于半导体激光器瞬时响应的限制,在不改变虚拟节点间隔θ的情况下,通过降低单个半导体激光器延迟环路中虚拟节点的个数对系统速率提升的效果有限。而且为了保证储备池计算系统的预测性能,需要保持一定数量的虚拟节点个数。同时,此结构采用电信息调制激光器,激光器固有时间较大,无法采用较小的虚拟节点间隔。在此结构下,如需进一步提高光储备池的信息处理速率需要增加并行光储备池的数目,进而增加了系统硬件实现的难度和成本,且提升效果有限。
本实施例中,分为输入层、储备池层以及输出层三个部分,储备池层包括从激光器,所述从激光器与环形器相连,所述环形器与衰减器相连,所述衰减器与耦合器相连,所述耦合器与环形器相连。从激光器与主激光器相连。主激光器、从激光器、环形器、衰减器和耦合器分别成对设置,主激光器、从激光器、环形器、衰减器和耦合器构成两条储备池层系统链。在输入层,初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号S(t),输入层的信息经过调制后即可注入到储备池层。本发明将调制信号S(t)加载为光源的相位信息进而保持光源输出强度的稳定,不同于电信息调制,相位调制能够改变激光器固有时间的选择进而优化虚拟节点间隔。同时,本方案在储备池层引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,在确保储备池系统计算性能的前提下,提升光储备池系统的信息处理速率。分别调整两个光反馈半导体激光器参数,按照节点间隔θ在一个时延反馈周期内对从激光器的输出进行采样,分别获得两个并行储备池系统的状态向量X1和X2。最后,合并两个向量作为新的储备池网络状态向量XM对数据进行训练和预测。
本实施例中,在基于外部光注入的并行光储备池系统中,描述光反馈激光器动态特性的速率方程组如下所示:
其中,E1,2(t)为两个光反馈半导体激光器的复慢变电场;N1,2(t)为载流子密度;G1,2(t)为增益系数;Iin为从激光器接收的外光注入光强,kin对应的光注入系数;Is为输入层光源的光强,ks为光注入系数;kf代表从激光器光反馈系数;τf代表光反馈时延;τp表示激光器腔内光子寿命;τe表示自发载流子寿命;q为电子电荷;Ith为激光器阈值电流;Pf为电流因子;g微分增益;α为线宽增强因子;ε为饱和增益系数;N0为透明载流子密度;Δωs1,2为调制光源与响应激光器之间的频率偏移;Δωin1,2为外部光注入与响应激光器的频率差;FN1,2为自发辐射噪声
其中,公式(1)中的第一项表示的是孤立半导体激光器自由运行时的动态特性,第二项为输入层的相位调制信息,为减少功率浪费以及引入对激光器固有时间的调制,本方案采用相位调制方案,因此第三项及四项则分别代表自身光反馈以及外部光注入。
本实施例中,如图3给出了光反馈激光器输出信号的自相关函数,激光器的瞬时响应时间为距离零点最近的峰值对应的时间取值。引入外部光注入信号后,当外部光注入强度为30ns-1时,从激光器输出的瞬时响应时间从179ps降低到了50ps。通过引入外部光注入,光储备池系统中虚拟节点间隔选取的值可以进一步的减小,因此在保持虚拟节点个数不变的情况下可以降低激光器外部光反馈的时延。由于输入层信息的采样保持时间等于反馈时延+虚拟节点间隔,当从激光器反馈时延减小后,光储备池系统的信息处理的速率能够得到有效的提升。
本实施例中,固定从激光器的光反馈强度,如图4反映了从激光器2的光反馈强度对不同储备池系统计算性能的影响规律,当两个从激光器的反馈强度相等时,单个储备池系统与并从储备池系统的预测误差基本相同,这表明此时两个系统具有类似的预测能力。继续增加从激光器反馈强度kf2的取值,当两个激光器的工作参数存在差异时,即当kf2=7ns-1时,并行储备池系统的预测能力相比于单个储备池系统提升了三倍。随后引入外部光注入,改进从激光器输出的瞬时响应时间,在相同虚拟节点间隔的情况下,并行外光注入储备池系统可以进一步将储备池系统的归一化误差函数降低为传统并行储备池系统的1/3。
本发明提出基于外光注入的并行储备池计算方案,引入外部光注入将单个光反馈半导体激光器的瞬时响应时间从179ps降低到50ps,扩展虚拟节点间隔的取值范围,提升光储备池系统的信息处理速率。保持反馈时延以及虚拟节点间隔不变,将两个外光注入储备池系统的节点状态合并构成并行储备池计算系统,储备池网络节点的个数能够增加到单个储备池系统的2倍。在相同工作参数以及信息处理速率的情况下,基于外光注入的并行光储备池计算系统能够将预测误差降低为传统的延迟光储备池计算系统的1/9。
本发明结合外光注入以及并行储备池方案,突破传统储备池系统中虚拟节点间隔以及储备池网络节点个数间的制约关系。
在另一实施例中,根据本发明的另一方面提供了一种基于光注入的并行光储备池计算性能提升方法,包括:在输入层,初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号,将调制信号加载为光源的相位信息保持光源输出强度的稳定,输入层的调制信号经过调制后注入到储备池层;在储备池层引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,设置两个光反馈半导体激光器,调整两个光反馈半导体激光器参数,按照节点间隔在一个时延反馈周期内对从光反馈半导体激光器的输出进行采样,分别获得两个并行储备池系统的状态向量,合并两个向量作为新的储备池网络状态向量对数据进行训练和预测。描述光反馈激光器动态特性的速率方程组采用上一实施例的方程组;输入层的信息采样保持时间等于激光器反馈时延和虚拟节点间隔之和,当从激光器反馈时延减小时,光储备池系统的信息处理的速率增加。输出层计算公式为:y=∑WoutXM,其中,y为输出向量;Wout为输出层中的权重矩阵;XM为合并后的储备池网络状态向量。
从以上描述中,可以看出,本发明上述的实施例实现了如下技术效果:
提出基于外光注入的并行储备池计算方案,引入外部光注入将单个光反馈半导体激光器的瞬时响应时间从179ps降低到50ps,扩展虚拟节点间隔的取值范围,提升光储备池系统的信息处理速率。保持反馈时延以及虚拟节点间隔不变,将两个外光注入储备池系统的节点状态合并构成并行储备池计算系统,储备池网络节点的个数能够增加到单个储备池系统的2倍,在相同工作参数以及信息处理速率的情况下,基于外光注入的并行光储备池计算系统能够将预测误差降低为传统的延迟光储备池计算系统的1/9。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于光注入的并行光储备池计算性能提升系统,其特征在于,包括:
输入层,用于将初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号,通过设置光源,将调制信号加载为光源的相位信息保持光源输出强度的稳定,输入层的调制信号经过调制后注入到储备池层;
储备池层,用于通过引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,通过分别调整两个光反馈半导体激光器参数,按照节点间隔在一个时延反馈周期内对从激光器的输出进行采样,分别获得两个并行储备池系统的状态向量,合并两个向量作为新的储备池网络状态向量对数据训练和预测;
输出层,用于输出结果。
2.如权利要求1所述的基于光注入的并行光储备池计算性能提升系统,其特征在于,所述储备池层包括从激光器,所述从激光器与环形器相连,所述环形器与衰减器相连,所述衰减器与耦合器相连,所述耦合器与环形器相连。
3.如权利要求2所述的基于光注入的并行光储备池计算性能提升系统,其特征在于,所述从激光器与主激光器相连。
4.如权利要求3所述的基于光注入的并行光储备池计算性能提升系统,其特征在于,所述主激光器、从激光器、环形器、衰减器和耦合器分别成对设置,所述主激光器、从激光器、环形器、衰减器和耦合器构成两条储备池层系统链。
5.一种基于光注入的并行光储备池计算性能提升方法,基于权利要求1-4任意一项所述的系统,其特征在于,包括:
在输入层,初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号,将调制信号加载为光源的相位信息保持光源输出强度的稳定,输入层的调制信号经过调制后注入到储备池层;
在储备池层引入外部光注入进一步调节光反馈半导体激光器的固有时间,降低虚拟节点间隔的取值,设置两个光反馈半导体激光器,调整两个光反馈半导体激光器参数,按照节点间隔在一个时延反馈周期内对从光反馈半导体激光器的输出进行采样,分别获得两个并行储备池系统的状态向量,合并两个向量作为新的储备池网络状态向量对数据进行训练和预测。
6.如权利要求5所述的基于光注入的并行光储备池计算性能提升方法,其特征在于,描述光反馈激光器动态特性的速率方程组为:
其中:E1,2(t)为两个光反馈半导体激光器的复慢变电场;N1,2(t)为载流子密度;G1,2(t)为增益系数;Iin为从激光器接收的外光注入光强,kin对应的光注入系数;Is为输入层光源的光强,ks为光注入系数;kf代表从激光器光反馈系数;τf代表光反馈时延;τp表示激光器腔内光子寿命;τe表示自发载流子寿命;q为电子电荷;Ith为激光器阈值电流;Pf为电流因子;g微分增益;α为线宽增强因子;ε为饱和增益系数;N0为透明载流子密度;Δωs1,2为调制光源与响应激光器之间的频率偏移;Δωin1,2为外部光注入与响应激光器的频率差;FN1,2为自发辐射噪声。
7.如权利要求1所述的基于光注入的并行光储备池计算性能提升方法,其特征在于,所述输入层的信息采样保持时间等于激光器反馈时延和虚拟节点间隔之和,当从激光器反馈时延减小时,光储备池系统的信息处理的速率增加。
8.如权利要求6所述的基于光注入的并行光储备池计算性能提升方法,其特征在于,所述输出层计算公式为:y=∑WoutXM。
其中,y为输出向量;Wout为输出层中的权重矩阵;XM为合并后的储备池网络状态向量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027091.7A CN116306859A (zh) | 2023-01-09 | 2023-01-09 | 一种基于光注入的并行光储备池计算性能提升系统及方法 |
CN202310863005.6A CN116822602A (zh) | 2023-01-09 | 2023-07-14 | 一种基于光注入的并行光储备池计算性能提升系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027091.7A CN116306859A (zh) | 2023-01-09 | 2023-01-09 | 一种基于光注入的并行光储备池计算性能提升系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306859A true CN116306859A (zh) | 2023-06-23 |
Family
ID=86798595
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310027091.7A Pending CN116306859A (zh) | 2023-01-09 | 2023-01-09 | 一种基于光注入的并行光储备池计算性能提升系统及方法 |
CN202310863005.6A Withdrawn CN116822602A (zh) | 2023-01-09 | 2023-07-14 | 一种基于光注入的并行光储备池计算性能提升系统及方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310863005.6A Withdrawn CN116822602A (zh) | 2023-01-09 | 2023-07-14 | 一种基于光注入的并行光储备池计算性能提升系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116306859A (zh) |
-
2023
- 2023-01-09 CN CN202310027091.7A patent/CN116306859A/zh active Pending
- 2023-07-14 CN CN202310863005.6A patent/CN116822602A/zh not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
CN116822602A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Neuromorphic photonic integrated circuits | |
CN112884155B (zh) | 一种实现量子逻辑门的方法及装置 | |
Zhang et al. | Controllable spiking dynamics in cascaded VCSEL-SA photonic neurons | |
EP3864535A1 (en) | Photonic tensor accelerators for artificial neural networks | |
Schneider et al. | Using digital masks to enhance the bandwidth tolerance and improve the performance of on-chip reservoir computing systems | |
Yue et al. | Reservoir computing based on two parallel reservoirs under identical electrical message injection | |
CN112308224A (zh) | 光学神经网络装置、芯片及神经网络计算的光学实现方法 | |
Sackesyn et al. | An enhanced architecture for silicon photonic reservoir computing | |
Weixer et al. | A reinforcement learning framework for parameter optimization in elastic optical networks | |
Huang et al. | Enhanced performance of reservoir computing using multiple self-injection and mutual injection VCSELs | |
CN116306859A (zh) | 一种基于光注入的并行光储备池计算性能提升系统及方法 | |
Calhoun et al. | Dynamic reconfiguration of silicon photonic circuit switched interconnection networks | |
CN114757344A (zh) | 模拟生物神经元动力学以实现逻辑运算的系统及方法 | |
Liu et al. | FPGA-based implementation of artificial neural network for nonlinear signal-to-noise ratio estimation | |
Qin et al. | Optical packet header identification utilizing an all-optical feedback chaotic reservoir computing | |
Shastri et al. | Silicon photonics for neuromorphic computing and artificial intelligence: applications and roadmap | |
Guo et al. | Large-Scale Matrix-Vector Multiplication Based on Simplified Circular Optical Computing via Matrix Factorization | |
CN115994580A (zh) | 一种构建量子逻辑门的方法和装置 | |
CN114358270A (zh) | 一种多维复用技术的光子神经网络及实现方法 | |
CN112836826A (zh) | 一种实现量子逻辑门的方法及装置 | |
CN118036691A (zh) | 基于自注入锁定半导体激光器的储备池计算系统及方法 | |
CN117669649B (zh) | 深度时延储备池计算系统 | |
CN114781636B (zh) | 一种集成型光子储备池计算装置 | |
Kawakami et al. | Prediction and Replication of Chaotic Dynamics Using Photonic Reservoir Computing with Semiconductor Laser | |
JP2020067984A (ja) | 情報処理システム及び情報処理方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20230623 |
|
WD01 | Invention patent application deemed withdrawn after publication |