CN117856928A - 基于脉冲色散的储备池计算模型的构建装置及方法 - Google Patents
基于脉冲色散的储备池计算模型的构建装置及方法 Download PDFInfo
- Publication number
- CN117856928A CN117856928A CN202410040018.8A CN202410040018A CN117856928A CN 117856928 A CN117856928 A CN 117856928A CN 202410040018 A CN202410040018 A CN 202410040018A CN 117856928 A CN117856928 A CN 117856928A
- Authority
- CN
- China
- Prior art keywords
- mode
- mach
- pulse
- zehnder modulator
- constructing
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 239000006185 dispersion Substances 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 15
- 239000000835 fiber Substances 0.000 claims abstract description 31
- 239000013307 optical fiber Substances 0.000 claims abstract description 21
- 230000003287 optical effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 description 9
- 230000010365 information processing Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Lasers (AREA)
Abstract
本发明公开了一种基于脉冲色散的储备池计算模型的构建装置及方法,装置包括锁模激光器、马赫增德尔调制器、码型发生器、单模光纤、光纤环形谐振器、光电探测器;锁模激光器与马赫增德尔调制器的输入端通过光纤相连;锁模激光器与码型发生器相连;马赫增德调制器与码型发生器连接;马赫增德调制器的输出端和单模光纤相连;单模光纤的输出端与光纤环形谐振器相连;光纤环形谐振器的输出端与光电探测器相连。本发明结构简单、易于操作,降低了储备池物理实现的难度。
Description
技术领域
本发明属于光计算技术领域,具体设计一种基于脉冲色散的储备池计算模型的构建装置及方法。
背景技术
储备池计算受益于递归神经网络,又避免了其训练难的问题。储备池计算的核心思想就是利用一个储备池代替传统神经网络中的中间层,输入层到储备池的输入连接权和储备池的内部连接权均随生成并保持不变,训练过程中唯一需要确定的就是储备池到输出层的输出连接权。储备池计算大大简化了递归神经网络的训练过程,作为一种新的机器学习方法,因其独特的动态储备池结构和简单的学习算法,而在时间序列预测、模式分类、语音识别、非线性系统建模、辨识及控制等诸多领域获得了成功应用。
光信息处理始于20世纪20年代,一方面受限于当时光器件的体积、功耗和成本等问题,另一方面受限于模仿电子计算机基于逻辑门光路的发展理念,因此发展缓慢。近年来,随着需要处理的信息量爆炸式增长,人们对更高效更新颖的信息处理技术的需求更加迫切。光子技术和光器件的迅速发展以及机器学习特别是神经网络的深入研究给了光信息处理新的机遇,利用光进行超高速和超低耗的信息处理又受到了广泛的关注,并引发了人们很大的研究兴趣。
储备池计算由于缺乏自适应更新,适用于使用各种物理系统、衬底和设备的硬件实现。其中,光子库在低功耗和极快的计算方面表现出潜在的优势,从而为储备池计算提供了一个实用而强大的硬件平台。
(Vandoorne,K.,Mechet,P.,Van Vaerenbergh,T.,Fiers,M.,Morthier,G.,Verstraeten,D.,Schrauwen,B.,Dambre,J.,&Bienstman,P.(2014).Experimentaldemonstration of reservoir computing on a silicon photonics chip.NatureCommunications,5.)中报导了一种硅光子学芯片的实验原型,该芯片利用多模干涉仪(MMI)作为网络中的节点实现了16节点的储备池,但是使用大量的物理器件做节点导致其成本高昂且不宜集成。
(Larger,L.,Soriano,M.C.,Brunner,D.,Appeltant,L.,Gutiérrez,J.M.,Pesquera,L.,Mirasso,C.R.,&Fischer,I.(2012).Photonic information processingbeyond Turing:an optoelectronic implementation of reservoir computing.Opticsexpress,203,3241-9.)中公开了采用一个延迟反馈非线性动力学系统构成储备池,根据时分复用思想,在延迟反馈环上设置虚节点来代替传统的储备池中的节点,简化了用硬件实现储备池计算的结构。但这种方案需要对任务信号进行掩模预处理,操作复杂;且使用有源器件成本较高,维护管理难度大,存在电磁干扰隐患。
针对以上技术问题,故需对其进行改进。
发明内容
针对现有技术中存在的上述不足,本发明提供一种基于脉冲色散的储备池计算模型的构建装置及方法。
为了达到上述发明目的,本发明采用以下技术方案:
基于脉冲色散的储备池计算模型的构建装置,包括锁模激光器、马赫增德尔调制器、码型发生器、单模光纤、光纤环形谐振器、光电探测器;其中:锁模激光器与马赫增德尔调制器的输入端通过光纤相连;锁模激光器与码型发生器相连;马赫增德调制器与任意码型发生器连接;马赫增德调制器的输出端和单模光纤相连;单模光纤的输出端与光纤环形谐振器相连;光纤环形谐振器的输出端与光电探测器相连。
优选的,马赫增德尔调制器工作在推挽模式且偏置在最小偏置点。
本发明还公开了一种基于脉冲色散的储备池计算模型的构建方法,基于上述构建装置,所述方法包括以下步骤:
S1.由锁模激光器产生一路脉冲,该路脉冲进入马赫增德尔调制器;
S2.码型发生器产生的任务信号进入马赫增德尔调制器,并对脉冲信号进行强度调制;
S3.调制后的光信号通过单模光纤进行脉冲展宽,后经光纤环形谐振器进行延迟叠加,再经过光电探测器引入非线性,获得时域波形;
S4.对得到的时域波形进行离线数字信号处理,在不同位置以输入脉冲周期为采样周期进行采样。
进一步地,锁模激光器的激光脉冲时钟的输出端与任意码型发生器的时钟触发端相连,以实现光信号和任务电信号在马赫增德尔调制器里的同步。
进一步地,所使用的单模光纤、光纤环形谐振器的长度经过设计,与输入脉冲的周期存在比例关系,具体为使用4组单模光纤分别将脉冲的半高全宽拉伸至脉冲周期的[0.5,1,1.5,2]倍宽,使用2组光纤环形谐振器的环长引入的延时分别为[0.5,1]个脉冲周期。
进一步地,进行离线数字信号处理时,对信号在设定位置分别进行多次采样,一组采样7次。采样位置的选定方法:在原本脉冲中心的基础上偏移{[0,0,-1,-1,-2,-3,-3]-[0-1]随机值}个脉冲周期。
与现有技术相比,本发明的有益技术效果为:
本发明利用脉冲展宽现象,通过展宽的脉冲之间的干涉来实现任务信号在储备池内发生的干涉,而现有技术实现任务信号的干涉需要用到大量物理节点或有源器件,导致系统非常复杂、成本昂贵;但本发明仅使用单模光纤以及光纤环形谐振器构成的储备池结构简单,因未引入有源器件,故而成本较低、便于维护。本发明结构简单、易于操作,降低了储备池物理实现的难度。
附图说明
图1是本发明优选实施例一种基于脉冲色散的储备池计算模型的构建装置结构示意图;
图2是本发明优选实施例任意码型发生器输出波形图;
图3是本发明优选实施例经过马赫增德尔调制器后的波形图;
图4是本发明优选实施例输出电信号波形图;
图5是本发明优选实施例任务完成效果图。
其中:1.锁模激光器、2.码型发生器、3.马赫增德尔调制器、4.光纤、5.光纤环谐振器、6.光电探测器、7.计算机。
具体实施方式
为了更清楚地解释本发明的实施例,将对照附图描述本发明的具体实施方式。显然,以下描述的附图仅是本发明的一些实施例。对于本领域技术人员而言,可以从这些附图中获得其他附图和其他实施例,而无需付出创造性劳动。
如图1所示,本实施例通过物理方式构建储备池来提供一种简便稳固且低成本的光域实现方案,该方案具有结构简单、易于操作、原理清晰、处理迅速等优点。具体的,本实施例一种基于脉冲色散的储备池计算模型的构建装置,包括锁模激光器1、马赫增德尔调制器3、码型发生器2、单模光纤4、光纤环形谐振器5、光电探测器6;其中:锁模激光器1与马赫增德尔调制器3的输入端通过光纤相连;锁模激光器1与码型发生器2相连;马赫增德调制器3与任意码型发生器2连接;马赫增德调制器3的输出端和单模光纤4相连;单模光纤4的输出端与光纤环形谐振器5相连;光纤环形谐振器5的输出端与光电探测器6相连,光电探测器6的输出端与计算机7相连。
本实施例中,马赫增德尔调制器3工作在推挽模式且偏置在最小偏置点。
本实施例选用4组单模光纤和2组光纤环形谐振器。
本发明优选实施例还公开了一种基于脉冲色散的储备池计算模型的构建方法,基于上述构建装置实施例,方法具体包括以下步骤:
S1.由锁模激光器产生一路脉冲,该路脉冲进入马赫增德尔调制器,锁模激光器的激光脉冲时钟的输出端与任意码型发生器的时钟触发端相连,以实现光信号和任务电信号在马赫增德尔调制器内的同步;
在本步骤中,锁模激光器产生一路光脉冲表示为其中,g(t)表示一个周期内的单个高斯脉冲,具体表示为/>τ0是脉冲的半宽。
S2.码型发生器产生的任务信号进入马赫增德尔调制器,马赫增德尔调制器对脉冲信号进行强度调制;
本步骤中,任意码型发生器输出的射频任务信号时域表达为m(t),此处m(t)得到波形如图2所示。当马赫增德尔调制器偏置在最小偏置点工作时,理想状态下的马赫增德尔调制器输出信号的时域表达式为eM(t)=m(t)·gT(t)=m(t)·[g(t)*δT(t)],调制后的信号波形如图3所示。
S3.调制后的光信号通过单模光纤进行脉冲展宽,后经光纤环形谐振器进行延迟叠加,再经过光电探测器引入非线性,获得时域波形,输出信号波形如图4所示;
本步骤中,调制后的光信号经过单模光纤、光纤环形谐振器,展宽的脉冲之间发生干涉,经由光电探测器得到平方律检测,输出电信号的时域表达式为:
S4.得到的时域波形在计算机中进行离线数字信号处理,在不同位置以输入脉冲周期为采样周期进行采样,对信号在设定位置分别进行多次采样,一组采样7次。
本步骤中,采样位置以原本的脉冲为中心附加不同的延迟偏移量。
本实施例采用长度为7km、13.8km、20.7km、27.7km的4条单模光纤及环长为1.03m、2.07m的2个光纤环形谐振器和设计合理的采样位置(共7种),具体设置在原本的脉冲中心分别偏移[-0.4810,-0.4244,-1.4583,-1.0001,-2.3621,-3.3898,-3.4902]个周期的位置,能够使用该结构的储备池完成比特序列异或任务,并取得极高的成功率,如图5所示。
综上,本发明公开了一种基于脉冲色散的储备池计算模型的构建方法及装置,其中,锁模激光器发出光脉冲信号,光信号在马赫增德尔调制器中被码型发生器产生的任务信号所调制,然后通过单模光纤进行脉冲展宽,再经由光纤环形谐振器进行延迟叠加,最后读出时经过光电探测器引入非线性,输出信号分别在不同位置以输入脉冲周期为采样周期进行采样。本发明采用脉冲色散以及设定的参数,能够在结构简单且不引入有源器件的情况下物理实现储备池结构。本发明具有结构简单、易于操作、成本较低等优点。
以上对本发明的实施例进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (6)
1.基于脉冲色散的储备池计算模型的构建装置,其特征在于,包括锁模激光器、马赫增德尔调制器、码型发生器、单模光纤、光纤环形谐振器、光电探测器;锁模激光器与马赫增德尔调制器的输入端通过光纤相连;锁模激光器与码型发生器相连;马赫增德调制器与码型发生器连接;马赫增德调制器的输出端和单模光纤相连;单模光纤的输出端与光纤环形谐振器相连;光纤环形谐振器的输出端与光电探测器相连。
2.如权利要求1所述基于脉冲色散的储备池计算模型的构建装置,其特征在于,马赫增德尔调制器工作在推挽模式且偏置在最小偏置点。
3.基于脉冲色散的储备池计算模型的构建方法,基于权利要求1-2任一项所述的构建装置,其特征在于,所述的构建方法包括以下步骤:
S1.锁模激光器产生一路脉冲,该路脉冲进入马赫增德尔调制器;
S2.码型发生器产生的任务信号进入马赫增德尔调制器,并对脉冲信号进行强度调制;
S3.调制后的光信号通过单模光纤进行脉冲展宽,后经光纤环形谐振器进行延迟叠加,再经过光电探测器引入非线性,获得时域波形;
S4.对得到的时域波形进行离线数字信号处理。
4.如权利要求3所述的基于脉冲色散的储备池计算模型的构建方法,其特征在于,步骤S1中,锁模激光器的激光脉冲时钟的输出端与码型发生器的时钟触发端相连,以实现光信号和任务电信号在马赫增德尔调制器内的同步。
5.如权利要求3所述的基于脉冲色散的储备池计算模型的构建方法,其特征在于,选用4组单模光纤和2组光纤环形谐振器。
6.如权利要求1所述的基于脉冲色散的储备池计算模型的构建方法,其特征在于,步骤S4中,在进行离线数字信号处理时,对信号在设定位置分别进行多次采样,一组采样7次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410040018.8A CN117856928A (zh) | 2024-01-09 | 2024-01-09 | 基于脉冲色散的储备池计算模型的构建装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410040018.8A CN117856928A (zh) | 2024-01-09 | 2024-01-09 | 基于脉冲色散的储备池计算模型的构建装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117856928A true CN117856928A (zh) | 2024-04-09 |
Family
ID=90539872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410040018.8A Pending CN117856928A (zh) | 2024-01-09 | 2024-01-09 | 基于脉冲色散的储备池计算模型的构建装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117856928A (zh) |
-
2024
- 2024-01-09 CN CN202410040018.8A patent/CN117856928A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Takano et al. | Compact reservoir computing with a photonic integrated circuit | |
Katumba et al. | A multiple-input strategy to efficient integrated photonic reservoir computing | |
Zhang et al. | All-optical neuromorphic binary convolution with a spiking VCSEL neuron for image gradient magnitudes | |
Kravtsov et al. | Ultrafast all-optical implementation of a leaky integrate-and-fire neuron | |
Ma et al. | Time-delay signature concealment of chaos and ultrafast decision making in mutually coupled semiconductor lasers with a phase-modulated Sagnac loop | |
CN110365473B (zh) | 一种基于机器学习的量子通信系统的主动反馈控制方法 | |
Fiers et al. | Nanophotonic reservoir computing with photonic crystal cavities to generate periodic patterns | |
Argyris et al. | Comparison of photonic reservoir computing systems for fiber transmission equalization | |
CN109784486A (zh) | 一种光学神经网络处理器及其训练方法 | |
Hou et al. | Prediction and classification performance of reservoir computing system using mutually delay-coupled semiconductor lasers | |
Xiang et al. | Hardware-algorithm collaborative computing with photonic spiking neuron chip based on an integrated Fabry–Perot laser with a saturable absorber | |
CN108491185A (zh) | 基于光电混合集成的高速实时量子随机数发生器 | |
Schneider et al. | Using digital masks to enhance the bandwidth tolerance and improve the performance of on-chip reservoir computing systems | |
CN109784485A (zh) | 一种光学神经网络处理器及其计算方法 | |
Jin et al. | Adaptive time-delayed photonic reservoir computing based on Kalman-filter training | |
Mourgias-Alexandris et al. | A photonic recurrent neuron for time-series classification | |
Tang et al. | Asynchronous photonic time-delay reservoir computing | |
Akrout et al. | Parallel photonic reservoir computing using frequency multiplexing of neurons | |
CN117856928A (zh) | 基于脉冲色散的储备池计算模型的构建装置及方法 | |
Xu et al. | Bayesian generative adversarial network emulator based end-to-end learning strategy of the probabilistic shaping for OAM mode division multiplexing IM/DD transmission | |
Vatsavai et al. | Silicon photonic microring based chip-scale accelerator for delayed feedback reservoir computing | |
Wang et al. | Optoelectronic neuromorphic system using the neural engineering framework | |
Qin et al. | Optical packet header identification utilizing an all-optical feedback chaotic reservoir computing | |
Yue et al. | Experimental Investigation of an Optical Reservoir Computer with MZI-based Optical Mask | |
Héroux et al. | Polymer waveguide-based reservoir computing |
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 |