CN116667936A - 确定引导随机数据采样方法及其系统 - Google Patents
确定引导随机数据采样方法及其系统 Download PDFInfo
- Publication number
- CN116667936A CN116667936A CN202210148039.2A CN202210148039A CN116667936A CN 116667936 A CN116667936 A CN 116667936A CN 202210148039 A CN202210148039 A CN 202210148039A CN 116667936 A CN116667936 A CN 116667936A
- Authority
- CN
- China
- Prior art keywords
- data
- digital
- output data
- signal
- optical signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005070 sampling Methods 0.000 title claims abstract description 44
- 230000003287 optical effect Effects 0.000 claims abstract description 95
- 238000005457 optimization Methods 0.000 claims abstract description 83
- 238000006243 chemical reaction Methods 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 69
- 230000008859 change Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 87
- 238000012545 processing Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 25
- 230000007423 decrease Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 3
- 230000005693 optoelectronics Effects 0.000 claims description 2
- NHTMVDHEPJAVLT-UHFFFAOYSA-N Isooctane Chemical compound CC(C)CC(C)(C)C NHTMVDHEPJAVLT-UHFFFAOYSA-N 0.000 claims 2
- JVSWJIKNEAIKJW-UHFFFAOYSA-N dimethyl-hexane Natural products CCCCCC(C)C JVSWJIKNEAIKJW-UHFFFAOYSA-N 0.000 claims 2
- 238000010801 machine learning Methods 0.000 description 10
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003094 perturbing effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/516—Details of coding or modulation
- H04B10/54—Intensity modulation
- H04B10/541—Digital intensity or amplitude modulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06E—OPTICAL COMPUTING DEVICES; COMPUTING DEVICES USING OTHER RADIATIONS WITH SIMILAR PROPERTIES
- G06E3/00—Devices not provided for in group G06E1/00, e.g. for processing analogue or hybrid data
- G06E3/008—Matrix or vector computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M1/00—Analogue/digital conversion; Digital/analogue conversion
- H03M1/12—Analogue/digital converters
- H03M1/124—Sampling or signal conditioning arrangements specially adapted for A/D converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Optical Communication System (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及计算机技术领域,其提供了一种确定引导随机数据采样方法及其系统。所述确定引导随机数据采样方法包括:S1,通过第一转换模块将输入数据转换为光信号,光信号的平均强度是可变的;S2,通过光子计算模块,根据引导数据将所述光信号转换为引导光信号,引导光信号的平均强度随光信号的平均强度变化而变化;S3,通过第二转换模块将所述引导光信号转换为输出数据并输出;其中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到输出数据中,以向输出数据添加扰动。本发明在光域和模拟域中产生扰动,不仅可以使输出数据在组合优化问题求解运算中快速收敛到期望的解,并且相对于数字域的扰动可以大大提高速度。
Description
技术领域
本发明属于应用于信号处理、优化、数据科学、机器学习和矩阵计算的计算机技术领域,更为具体而言,涉及一种确定引导随机数据采样方法及其系统。
背景技术
在信号处理、优化、数据科学、机器学习和矩阵计算中通常涉及对海量数据进行大规模运算。为了提高数据处理的质量、速度和降低数据处理的错误率,从海量数据中随机选择或确定样本,即随机数据采样。
在现有技术中,随机采样通常在数字电子设备上进行。目前已有基于图形处理单元(GPU)、现场可编程逻辑门阵列(FPGA)等开发出的专用于进行大规模运算的数字电子电路,但这些数字电子设备的计算能力和速度将成为上述大规模运算的瓶颈。
目前已有提出光子计算技术,例如,光子集成电路(PIC)芯片以光作为信息的载体,以实现数据的传输、计算等,相比于数字电子技术,其能效和速度有望提高数个数量级。但是,本发明的发明人发现在随机数据采样中尚未有效使用光子计算技术。
发明内容
本发明提供了一种基于光子计算系统的确定引导随机数据采样方法及其系统。
根据本发明的一方面,提供了一种确定引导随机数据采样方法,其包括以下处理:
S1,通过第一转换模块将输入数据转换为光信号,所述光信号的平均强度是可变的;
S2,通过光子计算模块,根据引导数据将所述光信号转换为引导光信号,所述引导光信号的平均强度随所述光信号的平均强度变化而变化;
S3,通过第二转换模块将所述引导光信号转换为输出数据并输出;
其中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以向所述输出数据添加扰动。
本发明的发明人发现,如果光波只在没有扰动的情况下进行变换,迭代不会收敛到期望的解。因此,本发明实施方式根据所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声,向输出数据添加扰动,以使扰动的输出数据在信号处理、优化、数据科学、机器学习和矩阵计算等运算中收敛到期望的解。并且,在数字电子设备中进行扰动,速度很慢,而本发明实施方式在光域和模拟域中产生扰动可以大大提高速度。
在一些实施方式中,所述第一转换模块包括数模转换器和调制器。在处理S1,所述将输入数据转换为光信号包括:通过所述数模转换器将输入数据转换为模拟输入信号;通过所述调制器将所述模拟输入信号调制到光波中从而得到光信号,所述光波的平均强度是可变的,得到的光信号的平均强度随所述光波的平均强度变化而变化。
在一些实施方式中,由光源产生所述光波,所述光源的亮度由光强度控制器控制,所述光波的平均强度随光源的亮度的降低而降低。
在一些实施方式中,所述引导数据包括权重矩阵。在处理S2,所述根据引导数据将所述光信号转换为引导光信号,包括:在所述光子计算模块中,通过根据由所述权重矩阵的权重确定的引导变换进一步调制所述光信号,得到所述引导光信号。
在一些实施方式中,所述光信号包括多个调制光波。由所述权重矩阵的权重确定的引导变换包括:通过所述光子计算模块将所述多个调制光波乘以所述权重矩阵。
在一些实施方式中,通过引导控制器向所述光子计算模块提供所述引导数据。
在一些实施方式中,所述第二转换模块包括光电转换器和模数转换器。在处理S3,所述将所述引导光信号转换为输出数据并输出,包括:通过所述光电转换器将所述引导光信号转换为模拟输出信号;通过所述模数转换器将所述模拟输出信号转换为作为所述输出数据的数字输出信号。
在一些实施方式中,所述方法还包括下述处理:S4,通过数字电子电路对所述输出数据执行附加处理并输出经附加处理后的数据。在一些实施方式中,所述数字电子电路包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、图形处理单元(GPU)和计算机处理单元(CPU)中的一个或组合。
在一些实施方式中,所述附加处理包括下述之一或组合:
向所述输出数据添加数字扰动;
根据函数修正所述输出数据;以及
计算由所述输出数据确定的用于与原始、扰动或修正的输出数据一起存储在数字存储单元中的量。
在一些实施方式中,所述方法还包括:
循环执行处理S1至S4,其中将前次循环输出的经附加处理后的数据组成当前循环执行的输入数据,循环的次数或周期数为预定数量,例如大于或等于1;
将每次循环的输出数据存储到数字存储单元中以形成数据序列,例如,存储在数字存储单元中的数据序列近似于信号处理、优化、数据科学、机器学习和矩阵计算等的一个或任意组合的问题的至少一个解决方案。
在上述实施方式中,使用权重矩阵确定问题模型,所述光子计算模块通过根据矩阵权重确定的引导转换进一步调制多个调制光波(即平均强度可变的光信号)来引导多个调制光波。使用权重矩阵确定问题模型,所述数字电子电路通过以序列形式存储在数字存储单元中的输出数据对问题的近似解的质量进行定量度量,其中确定定量度量包括权重矩阵的二次形式、由权重矩阵确定的模型的能量以及由权重矩阵确定的优化问题的目标函数或估值函数中的一种或组合。并且,通过改变光源的强度(亮度),调整权重矩阵的权重来增加扰动,以通过数字存储单元中存储为序列的输出数据,优化问题近似解决方案的质量的定量测量。
在一些实施方式中,使用所述权重矩阵确定组合优化问题的模型;初始的所述输入数据包括组合优化问题的初始近似解;所述数据序列为所述组合优化问题的更新近似解。也就是说,在一种实施方式中,给定由权重矩阵确定的组合优化问题的初始近似解,即将由权重矩阵确定的组合优化问题的初始近似解作为输入数据,对所述初始近似解进行包含引导变换和随机采样操作的引导随机采样处理(即处理S1~S4)输出一系列输出数据并保存到数字存储单元中以形成数据序列,所述数据序列为所述组合优化问题的更新近似解。其中,引导变换包括将组合优化问题的权重矩阵应用于引导输入向量,从而产生一个变换向量(即处理S2);随机采样操作包括随机扰动一个采样输入向量,从而产生一个采样向量(即,在处理S1~S3中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以扰动输出数据)。其中,引导输入向量包括初始近似解和采样向量中的一个或组合,采样输入向量包括初始近似解和变换向量中的一个或组合。
在一些实施方式中,所述组合优化问题包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。也就是说,采用本发明实施方式,从伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(agraph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个的组合的矩阵和目标函数中确定组合优化问题的目标函数和矩阵,其中,组合优化问题的一个近似或精确解包括近似或精确的最小化或最大化目标函数的向量,对应于伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或组合的一个近似或精确解。在一些实施方式中,初始近似解包括输入二进制向量;引导输入向量包括初始近似解二元向量,采样输入向量包括变换后的向量;随机采样操作还包括通过比较器将扰动变换向量与阈值向量进行比较(例如,在处理S3,通过带阈值的模数转换器将所述引导光信号阈值化为数字输出信号,其中所述数字输出信号是由0和1组成的二进制信号),产生组合优化问题的更新近似解,该更新近似解包括输出二进制向量。在一个迭代循环中,随机采样的向量被迭代,该迭代循环从初始近似解开始,以产生组合优化问题的一系列近似解。
根据本发明的另一方面,提供了一种用于确定引导随机数据采样的系统,其包括:
第一转换模块,用于将输入数据转换为光信号,所述光信号的平均强度是可变的;
光子计算模块,与所述第一转换模块通信,用于根据引导数据将所述光信号转换为引导光信号,所述引导光信号的平均强度随所述光信号的平均强度变化而变化;
第二转换模块,与所述光子计算模块通信,用于将所述引导光信号转换为输出数据并输出;
其中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以向所述输出数据添加扰动。
在一些实施方式中,所述第一转换模块包括:
数模转换器,用于将所述输入数据转换为模拟输入信号,
调制器,与所述数模转换器通信,将所述模拟输入信号调制到光波中,得到所述光信号,其中,所述光波的平均强度是可变的,得到的所述光信号的平均强度随所述光波的平均强度变化而变化。
在一些实施方式中,所述系统还包括光源以及光强度控制器。所述光源产生所述光波;所述光强度控制器用于控制所述光源的亮度,使所述光波的平均强度随所述光源的亮度的降低而降低。
在一些实施方式中,所述系统还包括向所述光子计算模块提供所述引导数据的引导控制器。可选地,所述引导数据包括权重矩阵。所述光子计算模块根据由所述权重矩阵的权重确定的引导变换进一步调制所述光信号来进行引导,得到所述引导光信号。
在一些实施方式中,所述光信号包括多个调制光波。由所述权重矩阵的权重确定的引导变换包括:通过所述光子计算模块将所述多个调制光波乘以所述权重矩阵。
在一些实施方式中,所述第二转换模块包括:
光电转换器,与所述光子计算模块通信,用于将所述引导光信号转换为模拟输出信号,
模数转换器,与所述光电转换器通信,用于将所述模拟输出信号转换为作为所述输出数据的数字输出信号。
在一些实施方式中,所述系统还包括:数字电子电路,与所述第二转换模块通信,用于对所述输出数据执行附加处理并输出经附加处理后的数据。可选地,所述数字电子电路包括FPGA、ASIC、GPU和CPU中的一个或组合。可选地,所述附加处理包括下述之一或组合:向所述输出数据添加数字扰动;根据函数修正所述输出数据;以及,计算由所述输出数据确定的用于与原始、扰动或修正的输出数据一起存储在数字存储单元中的量。
在一些实施方式中,所述系统还包括与所述数字电子电路和第一转换模块通信的数字存储单元,用于存储所述输入数据和所述经附加处理后的数据。并且,所述第一转换模块、光子计算模块、第二转换模块和数字电子电路所执行的处理被循环执行,其中,所述数字存储单元被操作以将前次循环输出的经附加处理后的数据组成当前循环执行的输入数据,通过所述数字电子电路将每次循环的输出数据存储到所述数字存储单元中以形成数据序列。其中,存储在数字存储单元中的数据序列近似于信号处理、优化、数据科学、机器学习和矩阵计算等的一个或组合的问题的至少一个解决方案。
在一些实施方式中,使用所述权重矩阵确定组合优化问题的模型;初始的所述输入数据包括组合优化问题的初始近似解;所述数据序列为所述组合优化问题的更新近似解。也就是说,给定由矩阵确定的组合优化问题的初始近似解,通过上述的包含引导转换和随机采样操作的引导随机采样确定组合优化问题的更新近似解。可选地,所述组合优化问题包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。
采用本发明实施方式,从伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(agraph 2-coloring)问题和最小割(Min-Cut)问题的一个或多个的组合的矩阵和目标函数中确定组合优化问题的目标函数和矩阵,其中,组合优化问题的一个近似或精确解包括近似或精确的最小化或最大化目标函数的向量,对应于伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或组合的一个近似或精确解。在一些实施方式中,初始近似解包括输入二进制向量;引导输入向量包括初始近似解二元向量,采样输入向量包括变换后的向量;随机采样操作还包括通过比较器将扰动变换向量与阈值向量进行比较(例如,通过带阈值的模数转换器将所述引导光信号阈值化为数字输出信号,其中所述数字输出信号是由0和1组成的二进制信号),产生组合优化问题的更新近似解,该更新近似解包括输出二进制向量。在一个迭代循环中,随机采样的向量被迭代,该迭代循环从初始近似解开始,以产生组合优化问题的一系列近似解。
在一些实施方式中,所述数字电子电路还进行下述处理:通过所述数字存储单元中以数据序列存储的输出数据对所述组合优化问题的近似解的质量进行定量度量。其中,确定定量度量包括权重矩阵的二次形式、由权重矩阵确定的模型的能量以及由权重矩阵确定的优化问题的目标函数或估值函数中的一种或组合。
综上所述,本发明实施方式提出基于光子计算模块的确定引导随机数据采样的技术,并且在采样过程中通过可变亮度的光源和各转换引入扰动,并通过确定问题的权重矩阵引导采样,使得对问题的近似解能够收敛到期望的值。并且,相比在数字电子设备上进行采样,本发明的实施方式可以大大提高速度。
本发明实施方式的各个方面、特征、优点等将在下文结合附图进行具体描述。根据以下结合附图的具体描述,本发明的上述方面、特征、优点等将会变得更加清楚。
附图说明
图1是示出本发明的一种实施方式的确定引导随机数据采样方法的流程图。
图2是示出本发明的另一种实施方式的确定引导随机数据采样方法的流程图。
图3是示出本发明的一种实施方式的用于确定引导随机数据采样的系统的结构的框图。
图4是示出本发明的另一种实施方式的用于确定引导随机数据采样的系统的结构的框图。
图5是示出本发明的又一种实施方式的用于确定引导随机数据采样的系统的结构的框图。
图6示出了本发明的用于确定引导随机数据采样的系统的一个示例。
图7a~7e示出了在图6所示的例子中节点设备输出的信号波形的变化,其中,图7a是示出光源的亮度变化的亮度曲线,图7b是示出数模转换器输出的模拟输入信号的幅度变化的信号波形,图7c是示出调制器输出的调制光波的强度变化的波强度曲线,图7d是示出光子计算模块输出的引导光波的强度变化的引导光波强度曲线,以及图7e是示出光电转换器输出的模拟输出信号的幅度变化的信号波形。
图8示出了本发明的用于确定引导随机数据采样的系统的另一个示例。
具体实施方式
为了便于理解本发明技术方案的各个方面、特征以及优点,下面结合附图对本发明进行具体描述。应当理解,下述的各种实施方式只用于举例说明,而非用于限制本发明的保护范围。
在本文中提及的“包括”为一开放式用语,故应解释成“包括但不限定于”。“大致”是指在可接受的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。
此外,“连接”一词在此包含任何直接及间接的连接手段。因此,若文中描述第一装置连接于第二装置,则代表所述第一装置可直接连接于所述第二装置,或通过其它装置间接地连接至所述第二装置。“通信”一词在此意指两个对象之间存在信息、数据、消息或信号的传递,包括发送、接收、交互等。
本文中的“第一”、“第二”等描述,是用于区分不同的设备、模块、结构等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。此外,在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作或处理,这些操作或处理可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如S1、S2等,仅仅是用于区分各个不同的操作或处理,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作或处理,并且这些操作可以按顺序执行或并行执行。
在信号处理、优化、数据科学、机器学习和矩阵计算等大规模运算中,通常需要从大量原始数据中提取样本数据来对相关问题的计算模型进行训练,以使计算模型的输出数据接近或近似问题的真实解。为了提高运算速度以及计算准确性,本发明的实施方式提出了基于光子计算模块的确定引导随机数据采样的技术方案,其涉及光信号处理的光域、模拟电信号处理的模拟域和数字电信号处理的数字域,并且这三个域的处理设备中至少一个具有噪声,通过具有噪声的设备将扰动引入到光信号和模拟电信号中的至少一个,以此向输出数据添加扰动,使得输出数据能够向问题的期望解收敛,并且相比纯电子域的处理,大大提高了处理速度。
参考图1,该图示出了根据本发明的一种实施方式的确定引导数据采样方法。如图1所示,所述方法包括以下处理:
S1,通过第一转换模块将输入数据转换为光信号,所述光信号的平均强度是可变的;
S2,通过光子计算模块,根据引导数据将所述光信号转换为引导光信号,所述引导光信号的平均强度随所述光信号的平均强度变化而变化;
S3,通过第二转换模块将所述引导光信号转换为输出数据并输出;
其中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以向所述输出数据添加扰动。
所述光信号可以是调制光波。如果调制光波只在没有扰动的情况下进行变换,迭代不会收敛到问题的期望解。因此,在实施方式中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者会产生噪声,从而向输出数据添加扰动,以使扰动的输出数据在信号处理、优化、数据科学、机器学习和矩阵计算等运算中收敛到期望的解。若仅在数字电子设备中进行扰动,处理速度很慢,而本发明的实施方式在光域和模拟域中都可以产生扰动,其可以大大提高处理速度。
在一些实施方式中,所述引导数据包括权重矩阵,所述权重矩阵用于确定问题模型,例如,组合优化问题模型,包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(agraph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。在光子计算模块中,通过将平均强度可变的光信号乘以权重矩阵来进行引导变换,最终的输出数据为组合优化问题的近似解。
在一些实施方式中,通过将输出数据作为输入数据的迭代或将所述输出数据组成输入数据,循环执行处理S1~S3,每次循环的输出数据作为问题的一系列更新近似解,并向问题的期望解收敛。
在一些实施方式中,所述第一转换模块包括数模转换器和调制器。在处理S1,将输入数据转换为光信号包括:通过所述数模转换器将输入数据转换为模拟输入信号;通过所述调制器将所述模拟输入信号调制到光波中从而得到光信号,所述光波的平均强度随光源的亮度的降低而降低,得到的所述光信号的平均强度随所述光波的平均强度变化而变化。在一些实施方式中,所述光源产生光波,所述光源的亮度由光强度控制器控制。在一些实施方式中,所述调制器包括微环调制器、MZI调制器、电吸收调制器等。
在一些实施方式中,在处理S2,根据引导数据将所述光信号转换为引导光信号,包括:在所述光子计算模块中,通过根据由所述权重矩阵的权重确定的引导变换进一步调制所述光信号,得到所述引导光信号,所述引导光信号包括多个引导光波。在一些实施方式中,由所述权重矩阵的权重确定的引导变换包括:通过所述光子计算模块将多个调制光波乘以所述权重矩阵,从而将多个调制光波转变为多个引导光波。在一些实施方式中,通过引导控制器向所述光子计算模块提供所述引导数据。在一些实施方式中,所述光子计算模块包括马赫-曾德尔干涉器网络。
在一些实施方式中,所述第二转换模块包括光电转换器和模数转换器。在处理S3,将所述引导光信号转换为输出数据并输出,包括:通过所述光电转换器将所述引导光信号转换为模拟输出信号;通过所述模数转换器将所述模拟输出信号转换为作为所述输出数据的数字输出信号。在一些实施方式中,所述模数转换器带有阈值,将所述模拟输出信号阈值化为数字输出信号,其中所述数字输出信号是由0和1组成的二进制信号。由于光域的调制器、光子计算模块和光电转换器中至少一者具有噪声,和/或模拟域的数模转换器和模数转换器中至少一者具有噪声,因此,具有噪声的设备或器件将扰动引导到光信号和模拟信号的至少一个中,并且噪声/光信号平均强度、噪声/模拟信号平均幅度的比率中的至少一个随着光源的亮度降低而降低,以此向数字输出数据添加扰动,其中,扰动的水平随着所述比率的减小而增加,从而使数字输出数据向问题的期望解收敛。
图2示出了本发明的确定引导随机数据采样方法的另一种实施方式。根据本实施方式的方法除了包括上述实施方式的处理外,进一步包括下述处理:S4,通过数字电子电路对所述输出数据执行附加处理并输出经附加处理后的数据。在一些实施方式中,所述数字电子电路包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、图形处理单元(GPU)和计算机处理单元(CPU)中的一个或组合。
在一些实施方式中,所述附加处理包括下述之一或组合:
向所述输出数据添加数字扰动;
根据函数修正所述输出数据;以及
计算由所述输出数据确定的用于与原始、扰动或修正的输出数据一起存储在数字存储单元中的量。
在一些实施方式中,循环执行处理S1至S4,其中将前次循环输出的经附加处理后的数据组成当前循环执行的输入数据,循环的次数或周期数为预定数量,例如大于或等于1;将每次循环的输出数据存储到数字存储单元中以形成数据序列,例如,存储在数字存储单元中的数据序列近似于信号处理、优化、数据科学、机器学习和矩阵计算等的一个或组合的问题的至少一个解决方案。所述数字存储单元包括软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、只读光盘存储器(CD-ROM)、光存储设备中的任意一者或这些的任意合适的组合。
在一些实施方式中,使用权重矩阵确定问题模型,所述光子计算模块通过根据矩阵权重确定的引导转换进一步调制多个调制光波(即平均强度可变的光信号)来引导多个调制光波。使用权重矩阵确定问题模型,所述数字电子电路通过以序列形式存储在数字存储单元中的输出数据对问题的近似解的质量进行定量度量,其中确定定量度量包括权重矩阵的二次形式、由权重矩阵确定的模型的能量以及由权重矩阵确定的优化问题的目标函数或估值函数中的一种或组合。并且,通过改变光源的强度(即亮度),调整权重矩阵的权重来增加扰动,以通过数字存储单元中存储为序列的输出数据,优化问题近似解决方案的质量的定量测量。
下面从信号承载的信息或数据的角度对本发明实施方式进行阐述。
在一些实施方式中,使用所述权重矩阵确定组合优化问题的模型。初始的输入数据包括组合优化问题的初始近似解;所述数据序列为所述组合优化问题的更新近似解。也就是说,在一种实施方式中,给定由权重矩阵确定的组合优化问题的初始近似解,即将由权重矩阵确定的组合优化问题的初始近似解作为初始输入数据,对所述初始近似解进行包含引导变换和随机采样操作的引导随机采样处理(即处理S1~S4)并循环进行所述处理,多次循环输出的一系列输出数据保存到数字存储单元中以形成数据序列,所述数据序列为所述组合优化问题的更新近似解。其中,引导变换包括将组合优化问题的权重矩阵应用于引导输入向量,从而产生一个变换向量(即处理S2);随机采样操作包括随机扰动一个采样输入向量,从而产生一个采样向量(即,在处理S1~S3中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以扰动输出数据)。其中,引导输入向量包括初始近似解和采样向量中的一个或组合,采样输入向量包括初始近似解和变换向量中是一个或组合。
在一些实施方式中,所述组合优化问题包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。也就是说,采用本发明实施方式,从伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(agraph 2-coloring)问题和最小割(Min-Cut)问题的一个或多个的组合的矩阵和目标函数中确定组合优化问题的目标函数和矩阵,其中,组合优化问题的一个近似或精确解包括近似或精确的最小化或最大化目标函数的向量,对应于伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或组合的一个近似或精确解。在一些实施方式中,初始近似解包括输入二进制向量;引导输入向量包括初始近似解二元向量,采样输入向量包括变换后的向量;随机采样操作还包括通过比较器将扰动变换向量与阈值向量进行比较(例如,在处理S3,通过带阈值的模数转换器将引导光信号阈值化为数字输出信号,其中所述数字输出信号是由0和1组成的二进制信号),产生组合优化问题的更新近似解,该更新近似解包括输出二进制向量。在一个迭代循环中,随机采样的向量被迭代,该迭代循环从初始近似解开始,以产生组合优化问题的一系列近似解。
以上分别从信号处理和数据(即信息)处理的角度对本发明提出的确定引导随机数据采样方法进行了说明。下面结合附图和实施方式对所述随机数据采样涉及的系统进行具体说明。其中,系统中各个组成部件执行的处理、功能效果与上述方法中相应部分一致,或者说,上述方法描述的处理可以结合到下面的系统描述中。
图3示出了本发明的用于确定引导随机数据采样的系统的一种实施方式。在本实施方式中,如图3所示,所述用于确定引导随机数据采样的系统至少包括第一转换模块100、光子计算模块200和第二转换模块300。其中,所述第一转换模块100用于将输入数据转换为光信号,所述光信号的平均强度是可变的,即,将输入数据承载到光波中,所述光波的平均强度是可变的。所述光子计算模块200与所述第一转换模块100通信,其用于根据引导数据将所述光信号转换为引导光信号,所述引导光信号的平均强度随所述光信号的平均强度变化而变化。所述第二转换模块300与所述光子计算模块200通信,其用于将所述引导光信号转换为输出数据并输出。承载有信息或数据的信号经过上述转换或处理,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以向所述输出数据添加扰动。
图4示出了本发明的用于确定引导随机数据采样的系统的另一种实施方式。本实施方式与图3所示的实施方式具有相同的第一转换模块100、光子计算模块200和第二转换模块300,二者的区别在于,本实施方式的系统还包括光源400、光强度控制器500、引导控制器600和数字存储单元700。具体地,所述光源400产生光波,所述光强度控制器500用于控制所述光源400的亮度,使所述光源400产生的光波的平均强度随该光源400的亮度的降低而降低。所述第一转换模块100将输入数据承载到所述光波中,从而得到所述光信号。例如,所述第一转换模块100可以通过数模转换器将输入数据转换为模拟输入信号,然后通过调制器将模拟输入信号调制到所述光波中。所述光信号被提供至光子计算模块200。所述引导控制器600向所述光子计算模块200提供引导数据。可选的,所述引导数据包括权重矩阵。所述光子计算模块通过根据由所述权重矩阵的权重确定的引导变换进一步调制所述光信号来进行引导,得到所述引导光信号。在一些实施方式中,所述光信号包括多个调制光波。由所述权重矩阵的权重确定的引导变换包括:通过所述光子计算模块将所述多个调制光波乘以所述权重矩阵。所述第二转换模块300将所述引导光信号转换为数字输出数据,例如,通过光电转换器将所述引导光信号转换为模拟输出信号,再通过模数转换器将模拟输出信号转换为数字输出数据。在本实施方式中,通过数字存储单元700来存储输出数据和输入数据,并且可以将输出数据作为输入数据提供至所述第一转换模块100,从而进行迭代循环处理,以使输出数据向所述权重矩阵确定的问题的期望解收敛。在可选实施方式中,所述输出数据和所述输入数据可以存储在不同的存储单元中。在一些实施方式中,所述数字存储单元包括软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、只读光盘存储器(CD-ROM)、光存储设备中的任意一者或这些的任意合适的组合。
图5示出了本发明的用于确定引导随机数据采样的系统的又一种实施方式。本实施方式相比于图4所示的实施方式,所述系统进一步包括数字电子电路800。所述数字电子电路与所述第二转换模块300和数字存储单元700通信,用于对所述输出数据执行附加处理并输出经附加处理后的数据,并将输出的数据存储到数字存储单元700。在一些实施方式中,所述数字电子电路包括FPGA、ASIC、GPU和CPU中的一个或任意组合。可选地,所述附加处理包括下述之一或任意组合:向所述输出数据添加数字扰动;根据函数修正所述输出数据;以及,计算由所述输出数据确定的量。
在一些实施方式中,所述第一转换模块100、光子计算模块200、第二转换模块300、数字电子电路800所执行的处理被循环执行,其中,所述数字存储单元700被操作以将前次循环输出的输出数据(经附加处理后的数据)组成当前循环执行的输入数据,通过所述数字电子电路将每次循环的输出数据存储到所述数字存储单元中以形成数据序列。其中,存储在数字存储单元中的数据序列近似于信号处理、优化、数据科学、机器学习和矩阵计算等的一个或组合的问题的至少一个解决方案。
在一些实施方式中,使用所述权重矩阵确定组合优化问题的模型;初始的所述输入数据包括组合优化问题的初始近似解;所述数据序列为所述组合优化问题的更新近似解。也就是说,给定由矩阵确定的组合优化问题的初始近似解,通过上述的包含引导转换和随机采样操作的引导随机采样确定组合优化问题的更新近似解。可选地,所述组合优化问题包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。
采用本发明实施方式,从伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(agraph 2-coloring)问题和最小割(Min-Cut)问题的一个或多个的组合的矩阵和目标函数中确定组合优化问题的目标函数和矩阵,其中,组合优化问题的一个近似或精确解包括近似或精确的最小化或最大化目标函数向量,对应于伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或组合的一个近似或精确解。在一些实施方式中,初始近似解包括输入二进制向量;引导输入向量包括初始近似解二元向量,采样输入向量包括变换后的向量;随机采样操作还包括通过比较器将扰动变换向量与阈值向量进行比较(例如,通过带阈值的模数转换器将所述平均强度可变的引导光信号阈值化为数字输出信号,其中所述数字输出信号是由0和1组成的二进制信号),产生组合优化问题的更新近似解,该更新近似解包括输出二进制向量。在一个迭代循环中,随机采样的向量被迭代,该迭代循环从初始近似解开始,以产生组合优化问题的一系列近似解。
在一些实施方式中,所述数字电子电路800还进行下述处理:通过所述数字存储单元中以数据序列存储的输出数据对所述组合优化问题的近似解的质量进行定量度量。其中,确定定量度量包括权重矩阵的二次形式、由权重矩阵确定的模型的能量以及由权重矩阵确定的优化问题的目标函数或估值函数中的一种或组合。
以上从模块结构的角度对本发明的确定引导随机数据采样的系统的结构进行了阐述。下面结合图6至图8对本发明的确定引导随机数据采样的系统的线路结构进行描述。
图6示出了本发明的用于确定引导随机数据采样的系统的一个示例。图7示出了在图6所示的例子中节点设备输出的信号波形的变化。如图6所示,本发明实施方式的确定引导随机数据采样的系统是一种涉及光域、模拟域和数字域的混合系统。所述系统至少包括数字存储单元101、数模转换器(DAC)102、光源103、调制器104、光子计算模块105、光电转换器(PD)106、模数转换器(ADC)107、引导控制器108、以及光强度控制器109。在光域,通过光源103、调制器104、光子计算模块105、以及光电转换器106进行光信号处理并通过光波导进行通信。其中,所述第一转换模块可以包括数模转换器102和调制器104,所述第二转换模块可以包括光电转换器106和模数转换器107。在模拟域,通过模拟电信号进行通信。在数字域,通过数字存储单元101进行数据存取并通过数字电信号进行通信。数字域和模拟域之间通过数模转换器102和模数转换器107进行转换。下面具体描述上述各个组成部件之间的连接关系或协同关系以及各自执行的处理。
所述数字存储单元101中存储有输入数据。所述数模转换器102与所述数字存储单元101进行操作通信,将输入数据转换为模拟输入信号。在一些实施方式中,所述系统可以包括多个数模转换器102,并且转换得到多个模拟输入信号。
所述光源103与控制光强度的光强度控制器109操作通信,以产生平均强度可变的多个光波,其中,所述光强度控制器109可控制光源103的亮度,所述多个光波的平均强度随着光源103的亮度降低而降低。在一些实施方式中,所述光源103包括激光器,所述光强度控制器109用于控制从电源传输到所述激光器的电流的强度,从而控制光源103的亮度和光波的平均强度。在一些实施方式中,对应于多个数模转换器102,所述系统可以包括多个光源103和多个光强度控制器109,产生多路光波,以与多个数模转换器102进行协作。
所述调制器104与所述光源103进行光子通信,并且与所述数模转换器102电通信。所述调制器104根据所述数模转换器102提供的模拟输入信号调制所述光波,以产生调制光波(即平均强度可变的光信号),所述调制光波的平均强度随所述光源103产生的光波的平均强度变化而变化。在一些实施方式中,对应于多个光源103和多个数模转换器102,所述系统可以包括多个调制器104,以产生多路平均强度可变的调制光波。
所述光子计算模块105与所述引导控制器108进行操作通信,并与所述调制器104进行光子通信。所述光子计算模块105根据引导控制器108提供的引导数据引导所述调制光波转换为引导光波(即平均强度可变的引导光信号),所述引导光波的平均强度随所述调制光波的平均强度变化而变化。在一些实施方式中,所述引导数据包括权重矩阵,并且光子计算模块105通过根据由权重矩阵的权重确定的引导变换对调制光波进行进一步调制来引导调制光波,并且所述引导变换可以是调制光波对应地乘以权重矩阵,以得到引导光波。在一些实施方式中,对应于多个调制器104,所述系统可以包括多个光子计算模块105和多个引导控制器108,以转换得到多路平均强度可变的引导光波。
所述光电转换器(例如,光电二极管)106与所述光子计算模块105进行光子通信,将所述引导光波转换为模拟输出信号,所述模拟输出信号的平均幅度随所述引导光波的平均强度的变化而变化。在一些实施方式中,对应于多个光子计算模块105,所述系统可以包括多个光电转换器106,以将多路平均强度可变的引导光波转换得到多个平均幅度可变的模拟输出信号。
所述模数转换器107与所述光电转换器106进行电通信,将平均强度可变的模拟输出信号转换为数字输出信号即输出数据。所述模数转换器107还与所述数字存储单元101进行电通信,以将所述输出数据存储到数字存储单元101中。在一些实施方式中,所述模数转换器107带有阈值以产生二进制输出,例如,所述模数转换器与阈值化单元组合以将所述模拟输出信号阈值化为数字输出信号,所述数字输出信号是由0和1组成的二进制信号。在一些实施方式中,对应于多个光电转换器106,所述系统可以包括多个模数转换器107,以将多路平均幅度可变的模拟输出信号转换为多个数字输出信号即输出数据。
由于调制器104、光子计算模块105、以及光电转换器106等光学单元中的至少一个是有噪声的,和/或数模转换器102和模数转换器107等模拟装置中的至少一个是有噪声的。具有噪声的光学单元和/或模拟装置将扰动引入到光波(引导光波、调制光波)和模拟信号(模拟输出信号、模拟输入信号)中的至少一个。并且,噪声/光波的平均强度、噪声/模拟信号的平均幅度的比率中的至少一个随着光源103的亮度降低而降低,以此向数字输出数据添加扰动,其中,扰动的水平随着上述比率的减小而增加,由此增加了引导数据采样的随机性。
具体地,图7a~7e示出了光源103的亮度的降低如何随后影响所有光波和模拟信号。在图7a中,亮度曲线示出了光源的亮度变化。图7b的信号波形示出了在调制器104处理前的模拟输入信号的信号幅度变化,其中,模拟输入信号的幅度随时间的变化出现两个不同的峰值。结合所述亮度曲线和所述信号波形可知,模拟输入信号的第一个峰值出现在光源的亮度具有较大值时,第二峰值出现在光源的亮度具有较小值时,导致由调制器104产生的调制光波具有图7c中波强度曲线所示的光波强度。根据波强度曲线可知,调制光波的光波强度的第一个峰值清晰可见,但第二峰值相对较小,这与光源103的亮度水平一致。根据由引导控制器108提供的引导数据,平均强度可变的调制光波变成平均强度可变的引导光波,如图7d中引导光波强度曲线所示,所述引导光波的强度具有修正形状,引导光波的强度的第一个峰值比第二个峰值明显更强。假设是所述系统具有多个光电转换器106,并且是有噪声的,其将平均强度可变的多个引导光波转变成平均幅度可变的多个模拟输出信号,平均幅度可变的多个模拟输出信号随着时间的推移被均匀地附加上白噪声。如图7e中信号波形所示,模拟输出信号的幅度受到噪声的扰动。由于噪声的扰动,尽管模拟输出信号的幅度的第一个峰值仍然很明显,但在嘈杂的背景中几乎看不到第二个峰值,这意味着光源103的亮度的等级越小,模数转换器107产生的多个输出数据随机性越强。在问题求解运算中,将输出数据作为输入数据,循环执行的操作中,一系列输出数据才更加收敛。
图8示出了本发明的用于确定引导随机数据采样的系统的另一个示例。与图6所示的例子相比,所述系统还包括数字电子电路(DEC)211,与所述模数转换器107进行操作通信,并与所述数字存储单元101进行操作通信,在将模数转换器107的输出存储到数字存储单元101之前对其进行附加处理。如图8所示,数字电子电路211对模数转换器107输出的数字数据执行附加处理以产生输出数据。在一些实施方式中,所述附加处理可以包括下述之一或任意组合:向数字数据添加数字扰动、根据函数修正数字数据、计算由数字数据确定的用于与原始、扰动或修正的数字数据一起存储在数字存储单元中的量。在一些实施方式中,所述数字电子电路包括现场可编程门阵列、专用集成电路、图形处理单元和计算机处理单元的一个或组合。
在一些实施方式中,所述系统所执行的处理被循环执行,具体地,所述数字存储单元101被操作以将前次循环输出的输出数据组成当前循环执行的输入数据,通过所述数字电子电路211将每次循环的输出数据存储到所述数字存储单元101中以形成数据序列。其中,存储在数字存储单元101中的数据序列近似于信号处理、优化、数据科学、机器学习和矩阵计算等的一个或组合的问题的至少一个解决方案。
在一些实施方式中,使用所述权重矩阵确定组合优化问题的模型;初始的所述输入数据包括组合优化问题的初始近似解;所述数据序列为所述组合优化问题的更新近似解。也就是说,给定由矩阵确定的组合优化问题的初始近似解,通过上述的包含引导转换和随机采样操作的引导随机采样确定组合优化问题的更新近似解。可选地,所述组合优化问题包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。从伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题的一个或多个的组合的矩阵和目标函数中确定组合优化问题的目标函数和矩阵,其中,组合优化问题的一个近似或精确解包括近似或精确的最小化或最大化目标函数向量,对应于伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或组合的一个近似或精确解。在一些实施方式中,初始近似解包括输入二进制向量;引导输入向量包括初始近似解二元向量,采样输入向量包括变换后的向量;随机采样操作还包括通过比较器将扰动变换向量与阈值向量进行比较(例如,通过带阈值的模数转换器将所述平均强度可变的引导光信号阈值化为数字输出信号,其中所述数字输出信号是由0和1组成的二进制信号),产生组合优化问题的更新近似解,该更新近似解包括输出二进制向量。在一个迭代循环中,随机采样的向量被迭代,该迭代循环从初始近似解开始,以产生组合优化问题的一系列近似解。
在一些实施方式中,所述数字电子电路211还进行下述处理:通过所述数字存储单元101中以数据序列存储的输出数据对所述组合优化问题的近似解的质量进行定量度量。其中,确定定量度量包括权重矩阵的二次形式、由权重矩阵确定的模型的能量以及由权重矩阵确定的优化问题的目标函数或估值函数中的一种或组合。
实施本发明各个实施方式,可以在光电混合域进行随机数据采样,并通过可变亮度的光源和对光波和/或模拟信号添加多个扰动,使得在问题求解迭代处理中的更新近似解收敛到期望的解。相比于纯电子域的处理,本发明的实施方式可以大大提高处理速度。
本领技术人员应当理解,以上所公开的仅为本发明的实施方式而已,当然不能以此来限定本发明请求专利保护的权利范围,依本发明实施方式所作的等同变化,仍属本发明之权利要求所涵盖的范围。
Claims (27)
1.一种确定引导随机数据采样方法,其特征在于,包括以下处理:
S1,通过第一转换模块将输入数据转换为光信号,所述光信号的平均强度是可变的;
S2,通过光子计算模块,根据引导数据将所述光信号转换为引导光信号,所述引导光信号的平均强度随所述光信号的平均强度变化而变化;
S3,通过第二转换模块将所述引导光信号转换为输出数据并输出;
其中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以向所述输出数据添加扰动。
2.根据权利要求1所述的方法,其特征在于,所述第一转换模块包括数模转换器和调制器;
在处理S1,所述将输入数据转换为光信号包括:
通过所述数模转换器将所述输入数据转换为模拟输入信号;
通过所述调制器将所述模拟输入信号调制到光波中从而得到所述光信号,所述光波的平均强度是可变的,得到的所述光信号的平均强度随所述光波的平均强度变化而变化。
3.根据权利要求2所述的方法,其特征在于,由光源产生所述光波,所述光源的亮度由光强度控制器控制,所述光波的平均强度随光源的亮度的降低而降低。
4.根据权利要求1所述的方法,其特征在于,所述引导数据包括权重矩阵,
在处理S2,所述根据引导数据将所述光信号转换为引导光信号,包括:
在所述光子计算模块中,通过根据由所述权重矩阵的权重确定的引导变换进一步调制所述光信号,得到所述引导光信号。
5.根据权利要求4所述的方法,其特征在于,所述光信号包括多个调制光波,
由所述权重矩阵的权重确定的引导变换包括:通过所述光子计算模块将所述多个调制光波乘以所述权重矩阵。
6.根据权利要求4所述的方法,其特征在于,通过引导控制器向所述光子计算模块提供所述引导数据。
7.根据权利要求1所述的方法,其特征在于,所述第二转换模块包括光电转换器和模数转换器;
在处理S3,所述将所述引导光信号转换为输出数据并输出,包括:
通过所述光电转换器将所述引导光信号转换为模拟输出信号,
通过所述模数转换器将所述模拟输出信号转换为作为所述输出数据的数字输出信号。
8.根据权利要求4所述的方法,其特征在于,还包括下述处理:
S4,通过数字电子电路对所述输出数据执行附加处理并输出经附加处理后的数据。
9.根据权利要求8所述的方法,其特征在于,所述附加处理包括下述之一或组合:
向所述输出数据添加数字扰动;
根据函数修正所述输出数据;以及
计算由所述输出数据确定的用于与原始、扰动或修正的输出数据一起存储在数字存储单元中的量。
10.根据权利要求8所述的方法,其特征在于,还包括:
循环执行处理S1至S4,其中将前次循环输出的经附加处理后的数据组成当前循环执行的输入数据;
将每次循环的输出数据存储到数字存储单元中以形成数据序列。
11.根据权利要求10所述的方法,其特征在于,使用所述权重矩阵确定组合优化问题的模型;
初始的输入数据包括所述组合优化问题的近似解;
所述数据序列为所述组合优化问题的一系列更新近似解。
12.根据权利要求11所述的方法,其特征在于,还包括:所述数字电子电路通过所述数字存储单元中以数据序列存储的输出数据对经过处理S1~S3处理的所述组合优化问题的近似解的质量进行定量度量。
13.根据权利要求11所述的方法,其特征在于,所述组合优化问题包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。
14.根据权利要求8所述的方法,其特征在于,所述数字电子电路包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、图形处理单元(GPU)和计算机处理单元(CPU)中的一个或组合。
15.一种用于确定引导随机数据采样的系统,其特征在于,包括:
第一转换模块,用于将输入数据转换为光信号,所述光信号的平均强度是可变的;
光子计算模块,与所述第一转换模块通信,用于根据引导数据将所述光信号转换为引导光信号,所述引导光信号的平均强度随所述光信号的平均强度变化而变化;
第二转换模块,与所述光子计算模块通信,用于将所述引导光信号转换为输出数据并输出;
其中,所述第一转换模块、光子计算模块、第二转换模块中的至少一者产生的噪声被加入到所述输出数据中,以向所述输出数据添加扰动。
16.根据权利要求15所述的系统,其特征在于,所述第一转换模块包括:
数模转换器,用于将所述输入数据转换为模拟输入信号,
调制器,与所述数模转换器通信,将所述模拟输入信号调制到光波中,得到所述光信号,所述光波的平均强度是可变的,得到的所述光信号的平均强度随所述光波的平均强度变化而变化。
17.根据权利要求16所述的系统,其特征在于,所述系统还包括:
光源,产生所述光波;
光强度控制器,用于控制所述光源的亮度,使所述光波的平均强度随所述光源的亮度的降低而降低。
18.根据权利要求15所述的系统,其特征在于,所述系统还包括向所述光子计算模块提供所述引导数据的引导控制器;所述引导数据包括权重矩阵;
所述光子计算模块根据由所述权重矩阵的权重确定的引导变换进一步调制所述光信号来进行引导,得到所述引导光信号。
19.根据权利要求18所述的系统,其特征在于,所述光信号包括多个调制光波,
由所述权重矩阵的权重确定的引导变换包括:通过所述光子计算模块将所述多个调制光波乘以所述权重矩阵。
20.根据权利要求15所述的系统,其特征在于,所述第二转换模块包括:
光电转换器,与所述光子计算模块通信,用于将所述引导光信号转换为模拟输出信号,
模数转换器,与所述光电转换器通信,用于将所述模拟输出信号转换为作为所述输出数据的数字输出信号。
21.根据权利要求19所述的系统,其特征在于,还包括:
数字电子电路,与所述第二转换模块通信,用于对所述输出数据执行附加处理并输出经附加处理后的数据。
22.根据权利要求21所述的系统,其特征在于,所述附加处理包括下述之一或组合:
向所述输出数据添加数字扰动;
根据函数修正所述输出数据;以及
计算由所述输出数据确定的用于与原始、扰动或修正的输出数据一起存储在数字存储单元中的量。
23.根据权利要求21所述的系统,其特征在于,所述系统还包括数字存储单元,与所述数字电子电路和第一转换模块通信,用于存储所述输入数据和所述经附加处理后的数据;
并且,所述第一转换模块、光子计算模块、第二转换模块和数字电子电路所执行的处理被循环执行,其中,所述数字存储单元被操作以将前次循环输出的经附加处理后的数据组成当前循环执行的输入数据;
通过所述数字电子电路将每次循环的所述输出数据存储到所述数字存储单元中以形成数据序列。
24.根据权利要求23所述的系统,其特征在于,使用所述权重矩阵确定组合优化问题的模型;
初始的所述输入数据包括组合优化问题的初始近似解;
所述数据序列为所述组合优化问题的更新近似解。
25.根据权利要求24所述的系统,其特征在于,所述数字电子电路还进行下述处理:通过所述数字存储单元中以数据序列存储的输出数据对所述组合优化问题的近似解的质量进行定量度量。
26.根据权利要求24所述的系统,其特征在于,所述组合优化问题包括伊辛(Ising)问题、最大割(Max-Cut)问题、图着色算法(a graph 2-coloring)问题和最小割(Min-Cut)问题中的一个或多个。
27.根据权利要求21所述的系统,其特征在于,所述数字电子电路包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、图形处理单元(GPU)和计算机处理单元(CPU)中的一个或组合。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148039.2A CN116667936A (zh) | 2022-02-17 | 2022-02-17 | 确定引导随机数据采样方法及其系统 |
US18/169,249 US20230259155A1 (en) | 2022-02-17 | 2023-02-15 | Method and system for determining a guided random data sampling |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148039.2A CN116667936A (zh) | 2022-02-17 | 2022-02-17 | 确定引导随机数据采样方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116667936A true CN116667936A (zh) | 2023-08-29 |
Family
ID=87558540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210148039.2A Pending CN116667936A (zh) | 2022-02-17 | 2022-02-17 | 确定引导随机数据采样方法及其系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230259155A1 (zh) |
CN (1) | CN116667936A (zh) |
-
2022
- 2022-02-17 CN CN202210148039.2A patent/CN116667936A/zh active Pending
-
2023
- 2023-02-15 US US18/169,249 patent/US20230259155A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230259155A1 (en) | 2023-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694442B (zh) | 计算机系统以及使用了递归神经网络的运算方法 | |
Bangari et al. | Digital electronics and analog photonics for convolutional neural networks (DEAP-CNNs) | |
CN109784486B (zh) | 一种光学神经网络处理器及其训练方法 | |
US20190244090A1 (en) | Serialized electro-optic neural network using optical weights encoding | |
US10627849B1 (en) | Reservoir computing operations using multi-mode photonic integrated circuits | |
JP2021527287A (ja) | 光電子コンピューティングシステム | |
CA3130114A1 (en) | Hybrid analog-digital matrix processors | |
CN111095303A (zh) | 光学伊辛机器以及光学卷积神经网络 | |
CN103678258B (zh) | 一种提高硅基光学矩阵处理器数据分辨率的方法 | |
CN109784485B (zh) | 一种光学神经网络处理器及其计算方法 | |
JP2021523410A (ja) | 光子ニューラルネットワークのための活性化関数のためのシステムおよび方法 | |
CN111899147B (zh) | 一种卷积核计算加速器及卷积核计算方法 | |
CN113568470A (zh) | 光电处理设备、系统和方法 | |
CN112101540B (zh) | 光学神经网络芯片及其计算方法 | |
De Marinis et al. | A codesigned integrated photonic electronic neuron | |
Kirtas et al. | Robust architecture-agnostic and noise resilient training of photonic deep learning models | |
CN116667936A (zh) | 确定引导随机数据采样方法及其系统 | |
CN112684650A (zh) | 一种基于加权调制曲线的光子模数转换方法及系统 | |
WO2023174072A1 (zh) | 数据处理方法及系统 | |
CN114970868A (zh) | 空间并行的相干伊辛机及包含其的求解器 | |
Chen et al. | An Optoelectronic Analog Ising Machine Enabling 2048-Spin and Low-Latency Calculations | |
Cox et al. | Photonic next-generation reservoir computer based on distributed feedback in optical fiber | |
CN113867474A (zh) | 一种光计算设备、计算方法以及计算系统 | |
CN117436494B (zh) | 一种神经网络运算芯片及运算方法 | |
CN117834030A (zh) | 一种基于相干光收发技术的乘加计算方法及系统 |
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 |