JPH0259916A - 光演算装置 - Google Patents
光演算装置Info
- Publication number
- JPH0259916A JPH0259916A JP21312888A JP21312888A JPH0259916A JP H0259916 A JPH0259916 A JP H0259916A JP 21312888 A JP21312888 A JP 21312888A JP 21312888 A JP21312888 A JP 21312888A JP H0259916 A JPH0259916 A JP H0259916A
- Authority
- JP
- Japan
- Prior art keywords
- light
- output
- modulator
- light emitting
- emitting element
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
［産業上の利用分野コ
この発明は、光を用いたニューラルネットワークによっ
て、高速にデータを処理する装置に関するものである。
て、高速にデータを処理する装置に関するものである。
［従来技術とその課題］
大規模な情報を処理するために、高速に演算を実行する
計算機の研究が進んでいるが、電気回路を用いた逐次処
理による方法では、すでに性能限界に近づいている。そ
こで、スーパーコンピュータやアレイプロセッサなど、
複数の演算を同時に実行する並列処理アーキテクチャな
どの研究が進んでいる。一方、光は、空間的な広がりを
持ち、その物理的な性質は互いに干渉し合わないため、
光を用いた演算は並列性に優れている。光を変調する手
段として、振幅、位相、周波数、偏向などが考えられ、
空間的な光変調器の開発が行われている。
計算機の研究が進んでいるが、電気回路を用いた逐次処
理による方法では、すでに性能限界に近づいている。そ
こで、スーパーコンピュータやアレイプロセッサなど、
複数の演算を同時に実行する並列処理アーキテクチャな
どの研究が進んでいる。一方、光は、空間的な広がりを
持ち、その物理的な性質は互いに干渉し合わないため、
光を用いた演算は並列性に優れている。光を変調する手
段として、振幅、位相、周波数、偏向などが考えられ、
空間的な光変調器の開発が行われている。
光ヲ用いたニューロコンピュータとして、これまでに、
１次元の発光素子と１次元の受光素子をアナモルフィッ
クな光学系で接続し、ホップフィールドモデルのインタ
コネクションを光学的に実現した方法や、入力データを
空間光変調器で変調し、双方向の演算を可能にした方法
が知られている。ホップフィールドモデルを光学的に実
現した方法については、例えば雑誌オブティックスレタ
ーズ（ＯＰＴＩＣ５ＬＥＴＴＥＲ３） 、第１Ｏ巻、１
９８５年、第９８〜１００頁に記載された論文「閾 値処理とフィードバック機能をもつニューラルネットを
用いた連想記憶モデルによる光情報処理（Ｏｐｔｉｃａ
ｌ Ｉｎｆｏｒｍａｔｌｏｎ ｐｒｏｃｅｓｓｉｎｇ
ｂａｓｅｄ ｏｎ ａｎａｓｓｏｃｉａｔｉｖｅ−ｍｅ
ｍｏｒｙ ｍｏｄｅｌ ｏｆ ｎｅｕｒａｌ ｎｅｔｓ
ｗｉｔｈ ｔｈｒｅｓｈｏｌｄｌｎｇ ａｎｄ ｆｅ
ｅｄｂａｃｋ） Ｊに、詳しく述べられている。また、
入力データを空間光変調器で変調させる方法については
、例えば、雑誌アプライドオプティックス（ＡＰＰＬＩ
ＥＤ ０ＰＴＩＣ５） 、第２６巻、１９８７年、第５
０５５〜５０６０頁に記載された論文「光双方向連想メ
モリの設計とデバイス（Ｄｅｓｉｇｎｓ ａｎｄ ｄｅ
ｖｉｃｅｓ ｆｏｒ ｏｐｔｉｃａｌ ｂｌｄｌｒｅｃ
Ｈｏｎａｌ ａｓｓ。
１次元の発光素子と１次元の受光素子をアナモルフィッ
クな光学系で接続し、ホップフィールドモデルのインタ
コネクションを光学的に実現した方法や、入力データを
空間光変調器で変調し、双方向の演算を可能にした方法
が知られている。ホップフィールドモデルを光学的に実
現した方法については、例えば雑誌オブティックスレタ
ーズ（ＯＰＴＩＣ５ＬＥＴＴＥＲ３） 、第１Ｏ巻、１
９８５年、第９８〜１００頁に記載された論文「閾 値処理とフィードバック機能をもつニューラルネットを
用いた連想記憶モデルによる光情報処理（Ｏｐｔｉｃａ
ｌ Ｉｎｆｏｒｍａｔｌｏｎ ｐｒｏｃｅｓｓｉｎｇ
ｂａｓｅｄ ｏｎ ａｎａｓｓｏｃｉａｔｉｖｅ−ｍｅ
ｍｏｒｙ ｍｏｄｅｌ ｏｆ ｎｅｕｒａｌ ｎｅｔｓ
ｗｉｔｈ ｔｈｒｅｓｈｏｌｄｌｎｇ ａｎｄ ｆｅ
ｅｄｂａｃｋ） Ｊに、詳しく述べられている。また、
入力データを空間光変調器で変調させる方法については
、例えば、雑誌アプライドオプティックス（ＡＰＰＬＩ
ＥＤ ０ＰＴＩＣ５） 、第２６巻、１９８７年、第５
０５５〜５０６０頁に記載された論文「光双方向連想メ
モリの設計とデバイス（Ｄｅｓｉｇｎｓ ａｎｄ ｄｅ
ｖｉｃｅｓ ｆｏｒ ｏｐｔｉｃａｌ ｂｌｄｌｒｅｃ
Ｈｏｎａｌ ａｓｓ。
ｃｌａｔｌｖｅ ｍｅｍｏｒｌｅｓ） Ｊに、詳しく述
べられている。
べられている。
しかし、これらの方法では、学習を実時間に実現するこ
とができず、より一般的なニューロモデルを実現するこ
とはできない。
とができず、より一般的なニューロモデルを実現するこ
とはできない。
この発明の目的は、光のインタコネクションを用いて、
学習可能なニューロコンピュータのアルゴリズムを高速
に実行する光演算装置を提供することにある。
学習可能なニューロコンピュータのアルゴリズムを高速
に実行する光演算装置を提供することにある。
［課題を解決するための手段］
この光演算装置は、光のインタコネクションを用いたニ
ューロコンピュータにおいて、発光素子をマトリクス状
に配置し、前記各発光素子の行方向または列方向の各々
を接続せしめた入力面と、前記入力面の各発光素子と同
じピッチを有し、前記入力面の各発光素子から出射した
光が各々入射するように、受光素子を配置せしめ、前記
入力面の各発光素子の接続方向と直交する方向に前記各
受光素子を接続せしめた出力面と、前記入力面と前記出
力面の間にある前記入力面の光源から出射した光の強度
を変調する光変調手段と、前記各受光素子からの出力と
所望の出力の間の差を計算し、前記差を小さくせしめる
ような前記光変調器のパタンを計算する演算装置と、前
記演算装置からの出力によって、前記光変調手段のパタ
ンを変化せしめる変調器駆動手段とを備えることを特徴
とする。
ューロコンピュータにおいて、発光素子をマトリクス状
に配置し、前記各発光素子の行方向または列方向の各々
を接続せしめた入力面と、前記入力面の各発光素子と同
じピッチを有し、前記入力面の各発光素子から出射した
光が各々入射するように、受光素子を配置せしめ、前記
入力面の各発光素子の接続方向と直交する方向に前記各
受光素子を接続せしめた出力面と、前記入力面と前記出
力面の間にある前記入力面の光源から出射した光の強度
を変調する光変調手段と、前記各受光素子からの出力と
所望の出力の間の差を計算し、前記差を小さくせしめる
ような前記光変調器のパタンを計算する演算装置と、前
記演算装置からの出力によって、前記光変調手段のパタ
ンを変化せしめる変調器駆動手段とを備えることを特徴
とする。
［作 用コ
この発明の原理を第２図、第３図、第４図を参照して説
明する。第２図は、２層構造のニューラルネットワーク
の例である。入力層１０１と出力層１０２のそれぞれに
、複数個のニューロンがあり、入力層の各ニューロンと
出力層の各ニューロンが接続さ・れている。各ニューロ
ン間の接続の強さは、それぞれ独立に変化させることが
でき、この強さを変えることによって、ネットワークを
学習させることができる。第３図は、２層構造のニュー
ラルネットワークを光学的に実現する装置の構成を示し
たものである。入力面２０１は入力層、出力面２０２は
出力層に対応し、ニューロン間の信号の伝達は、光を介
して行なう。ネットワークの接続の強さは、入力面と出
力面の間にある空間光変調素子２０３によって変化させ
る。第４図は、（ａ）入力層にある各ニューロンの出力
Ａと入力面２０１の関係、および、（ｂ）出力層にある
各ニューロンの入力Ｂと出力面２０２との関係を示す図
である。入力層の４個のニューロンの出力ＡＡ２． Ａ
３． Ａ４は、それぞれ行方向の発光素子に接続され、
入力データの大きさによって、行方向の発光素子の強度
が同時に変調される。例えば、入力Ａ２に着目した場合
、Ａ２の行方向の素子であるＡ ２１１ Ａ ２□＋
Ａ２３＊ Ａ２４がすべて発光する。発光した光はコリ
メートされた後、出力面の受光部Ｂ ２＋、Ｂ ２２、
Ｂ ２３、Ｂ ２４に集光される。他の素子についても
同様に動作し、出力面の列方向の素子が接続されている
ので、例えば、出力Ｂ３に着目した場合’ＩＢ３の列方
向の素子であるＢ １３、Ｂ ２３．８３３Ｎ Ｂ Ａ
３の入射光量の総和が出力される。この関係は、一般に
、次式のように表現できる。
明する。第２図は、２層構造のニューラルネットワーク
の例である。入力層１０１と出力層１０２のそれぞれに
、複数個のニューロンがあり、入力層の各ニューロンと
出力層の各ニューロンが接続さ・れている。各ニューロ
ン間の接続の強さは、それぞれ独立に変化させることが
でき、この強さを変えることによって、ネットワークを
学習させることができる。第３図は、２層構造のニュー
ラルネットワークを光学的に実現する装置の構成を示し
たものである。入力面２０１は入力層、出力面２０２は
出力層に対応し、ニューロン間の信号の伝達は、光を介
して行なう。ネットワークの接続の強さは、入力面と出
力面の間にある空間光変調素子２０３によって変化させ
る。第４図は、（ａ）入力層にある各ニューロンの出力
Ａと入力面２０１の関係、および、（ｂ）出力層にある
各ニューロンの入力Ｂと出力面２０２との関係を示す図
である。入力層の４個のニューロンの出力ＡＡ２． Ａ
３． Ａ４は、それぞれ行方向の発光素子に接続され、
入力データの大きさによって、行方向の発光素子の強度
が同時に変調される。例えば、入力Ａ２に着目した場合
、Ａ２の行方向の素子であるＡ ２１１ Ａ ２□＋
Ａ２３＊ Ａ２４がすべて発光する。発光した光はコリ
メートされた後、出力面の受光部Ｂ ２＋、Ｂ ２２、
Ｂ ２３、Ｂ ２４に集光される。他の素子についても
同様に動作し、出力面の列方向の素子が接続されている
ので、例えば、出力Ｂ３に着目した場合’ＩＢ３の列方
向の素子であるＢ １３、Ｂ ２３．８３３Ｎ Ｂ Ａ
３の入射光量の総和が出力される。この関係は、一般に
、次式のように表現できる。
Ｂ、＝ΣＡ。
ｊ
・ ・ ・ ・ ・ （１）
この時、入力面と出力面の間に、空間光変調器を挿入し
、各素子に対応する部分の振幅透過率を独立に変化させ
ると、（１）式は次式のようになる。
、各素子に対応する部分の振幅透過率を独立に変化させ
ると、（１）式は次式のようになる。
ここで、Ｗｌｌは空間光変調器の振幅透過率を表す。
（２）式は、出力層のニューロンの入力が、入力層のニ
ューロンの出力Ａ、とニューラルネットワークの重みＷ
ＩＩの積になることを表している。これは、ニューロモ
デルの基本的な演算であり、この光演算装置を用いて、
種々のニューラルネットワークを構成できる。例えば、
この演算装置を用いて、デルタ学習則を実現するには、
次式に従って、重みＷｌｌを変化させればよい。
ューロンの出力Ａ、とニューラルネットワークの重みＷ
ＩＩの積になることを表している。これは、ニューロモ
デルの基本的な演算であり、この光演算装置を用いて、
種々のニューラルネットワークを構成できる。例えば、
この演算装置を用いて、デルタ学習則を実現するには、
次式に従って、重みＷｌｌを変化させればよい。
ΔＷｚ＝ｎ （Ｔｐ、−〇、＋） Ｉ 、、
＠ ｅ ｅ （３）ここで、ｎは学習の回数 Ｔ
、は所望の結果、ｏ。
＠ ｅ ｅ （３）ここで、ｎは学習の回数 Ｔ
、は所望の結果、ｏ。
は光演算装置の出力、Ｉｌ＋は学習の重み付けを表す。
デルタ学習則の詳細は、例えば、雑誌バイト（ＢＹＴＥ
） １９８７年ｌθ月号、第１５５〜ＩＧ２頁に記載さ
れた論文「パックプロパゲーション（Ｂａｃｋ−Ｐｒｏ
ｐａｇａｔｌｏｎ） Ｊに、詳しく述べられている。
） １９８７年ｌθ月号、第１５５〜ＩＧ２頁に記載さ
れた論文「パックプロパゲーション（Ｂａｃｋ−Ｐｒｏ
ｐａｇａｔｌｏｎ） Ｊに、詳しく述べられている。
このように、入力層のニューロンの出力によって発光素
子の強度を変化させ、重みの値によって空間光変調素子
の振幅透過率を変化させれば、光学的に、ニューラルネ
ットワークのインタコネクションを実現できる。
子の強度を変化させ、重みの値によって空間光変調素子
の振幅透過率を変化させれば、光学的に、ニューラルネ
ットワークのインタコネクションを実現できる。
［実施例］
以下、この発明の詳細な説明する。
第１図は、この発明の光演算装置を実現する実施例の一
例を示す斜視図である。この光スィッチは、例えば半導
体レーザなどの発光素子をマ） ＩＪクス状に配置した
発光素子アレイ１と、例えばＳｌの光検出器などの受光
素子をマトリクス状に配置した受光素子アレイ２と、例
えばＴＮ液晶から構成されている液晶テレビなどの階調
表現可能な空間光変調器３と、発光素子から出射した光
をコリメートする、例えばマイクロレンズアレイなどの
コリメーティングレンズ４と、空間光変調器を透過した
光を受光素子アレイに集光する、例えばマイクロレンズ
アレイなどの集光レンズ５と、発光素子に電圧を印加す
る回路から構成される装置ら構成される変調器駆動装置
７と、受光素子の出力と所望の結果との間の差を計算し
、空間光変調器のパタンを計算する、例えばパソコン等
の演算装置８とを備えている。
例を示す斜視図である。この光スィッチは、例えば半導
体レーザなどの発光素子をマ） ＩＪクス状に配置した
発光素子アレイ１と、例えばＳｌの光検出器などの受光
素子をマトリクス状に配置した受光素子アレイ２と、例
えばＴＮ液晶から構成されている液晶テレビなどの階調
表現可能な空間光変調器３と、発光素子から出射した光
をコリメートする、例えばマイクロレンズアレイなどの
コリメーティングレンズ４と、空間光変調器を透過した
光を受光素子アレイに集光する、例えばマイクロレンズ
アレイなどの集光レンズ５と、発光素子に電圧を印加す
る回路から構成される装置ら構成される変調器駆動装置
７と、受光素子の出力と所望の結果との間の差を計算し
、空間光変調器のパタンを計算する、例えばパソコン等
の演算装置８とを備えている。
以上の構成の光演算装置において、発光素子は、入力層
のニューロンの出力によって変調される。
のニューロンの出力によって変調される。
発光素子アレイ１の行方向の各素子はすべて電気的に接
続されており、また、受光素子アレイ２の列方向の各素
子もすべて電気的に接続されている。
続されており、また、受光素子アレイ２の列方向の各素
子もすべて電気的に接続されている。
発光素子から出射した光は、空間光変調器によって変調
され、対面する受光素子アレイに集光され、出力となる
。また、空間光変調器のパタンをニューラルネットワー
クの重みの値によって変化させる。さらに、得られた出
力と所望の結果に対して、演算装置によって（３）式を
計算し、空間光変調器のパタンを変化させることによっ
て、学習が可能である。このようにして、ニューラルネ
ットワークのインタコネクションを光学的に実現できる
。
され、対面する受光素子アレイに集光され、出力となる
。また、空間光変調器のパタンをニューラルネットワー
クの重みの値によって変化させる。さらに、得られた出
力と所望の結果に対して、演算装置によって（３）式を
計算し、空間光変調器のパタンを変化させることによっ
て、学習が可能である。このようにして、ニューラルネ
ットワークのインタコネクションを光学的に実現できる
。
［発明の効果コ
以上詳述したように、この発明の光演算装置を用いるこ
とにより、学習可能なニューロコンピュータのアルゴリ
ズムを高速に実行することができる。
とにより、学習可能なニューロコンピュータのアルゴリ
ズムを高速に実行することができる。
第１図は、この発明の光演算法の実施例を示す斜視図、
第２図は、２層構造のニューラルネットワークの例、第
３図は、光ニューラルネットワークを実現する装置の構
成を示す図、第４図は、入出力データと入出力面の関係
を示す図である。図において、 １．２０Φ拳・光機能素子アレイ ３ ９・・・・空間光変調素子 ４ Φ・・・・コリメーティングレンズ５ ・・・
・Φ集光レンズ ６．７ ・・・・駆動装置 ８ ・Ｏ・・・変調素子駆動装置 １０１ ・・・・入力層 １０２ ・・拳・出力層 ２０１ ・・・・入力面 ２０２ ・・・・出方面 ２０３ ・・・・空間光変調素子
第２図は、２層構造のニューラルネットワークの例、第
３図は、光ニューラルネットワークを実現する装置の構
成を示す図、第４図は、入出力データと入出力面の関係
を示す図である。図において、 １．２０Φ拳・光機能素子アレイ ３ ９・・・・空間光変調素子 ４ Φ・・・・コリメーティングレンズ５ ・・・
・Φ集光レンズ ６．７ ・・・・駆動装置 ８ ・Ｏ・・・変調素子駆動装置 １０１ ・・・・入力層 １０２ ・・拳・出力層 ２０１ ・・・・入力面 ２０２ ・・・・出方面 ２０３ ・・・・空間光変調素子
Claims (1)
- 光のインタコネクションを用いたニューロコンピュータ
において、発光素子をマトリクス状に配置し、前記各発
光素子の行方向または列方向の各々を接続せしめた入力
面と、前記入力面の各発光素子と同じピッチを有し、前
記入力面の各発光素子から出射した光が各々入射するよ
うに、受光素子を配置せしめ、前記入力面の各発光素子
の接続方向と直交する方向に前記各受光素子を接続せし
めた出力面と、前記入力面と前記出力面の間にある前記
入力面の光源から出射した光の強度を変調する光変調手
段と、前記各受光素子からの出力と所望の出力の間の差
を計算し、前記差を小さくせしめるような前記光変調器
のパタンを計算する演算装置と、前記演算装置からの出
力によって、前記光変調手段のパタンを変化せしめる変
調器駆動手段とを備えることを特徴とする光演算装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP21312888A JPH0259916A (ja) | 1988-08-26 | 1988-08-26 | 光演算装置 |
| US07/399,185 US5063531A (en) | 1988-08-26 | 1989-08-28 | Optical neural net trainable in rapid time |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP21312888A JPH0259916A (ja) | 1988-08-26 | 1988-08-26 | 光演算装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0259916A true JPH0259916A (ja) | 1990-02-28 |
Family
ID=16634042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP21312888A Pending JPH0259916A (ja) | 1988-08-26 | 1988-08-26 | 光演算装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0259916A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0490015A (ja) * | 1990-08-02 | 1992-03-24 | Mitsubishi Electric Corp | 光ニューロコンピュータ |
| US5220642A (en) * | 1989-04-28 | 1993-06-15 | Mitsubishi Denki Kabushiki Kaisha | Optical neurocomputer with dynamic weight matrix |
-
1988
- 1988-08-26 JP JP21312888A patent/JPH0259916A/ja active Pending
Non-Patent Citations (1)
| Title |
|---|
| OPTICAL ALGEBRAIC PROCESSING ARCHITECTURES AND ALGORITHMS * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5220642A (en) * | 1989-04-28 | 1993-06-15 | Mitsubishi Denki Kabushiki Kaisha | Optical neurocomputer with dynamic weight matrix |
| JPH0490015A (ja) * | 1990-08-02 | 1992-03-24 | Mitsubishi Electric Corp | 光ニューロコンピュータ |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3707804B2 (ja) | 光学情報処理装置 | |
| Sunny et al. | A survey on silicon photonics for deep learning | |
| US5004309A (en) | Neural processor with holographic optical paths and nonlinear operating means | |
| El Srouji et al. | Photonic and optoelectronic neuromorphic computing | |
| US20220044100A1 (en) | Parallel architectures for nanophotonic computing | |
| US20220012013A1 (en) | Photonic in-memory co-processor for convolutional operations | |
| US5220643A (en) | Monolithic neural network element | |
| US5132813A (en) | Neural processor with holographic optical paths and nonlinear operating means | |
| Saxena et al. | Adaptive multilayer optical neural network with optical thresholding | |
| JPS63502624A (ja) | 光デ−タ処理システム及びマトリックス反転、乗算、及び加算方法 | |
| Arsenault et al. | An introduction to optics in computers | |
| JPH0259916A (ja) | 光演算装置 | |
| Nakajima et al. | Physical deep learning with biologically plausible training method | |
| US20230237015A1 (en) | Optical co-processor architecture using array of weak optical perceptron | |
| JPH0261708A (ja) | 光演算装置 | |
| JPH0261709A (ja) | 光演算装置 | |
| JPH0259914A (ja) | 光演算方法 | |
| Hermans et al. | Towards trainable media: Using waves for neural network-style training | |
| JPH0259915A (ja) | 光演算方法 | |
| Saxena et al. | Optical implementations | |
| US20230071600A1 (en) | Switched spatial tensor data manipulation with photonics | |
| JPH03256032A (ja) | 光演算装置 | |
| JPH0261623A (ja) | 光演算方法 | |
| JP2778176B2 (ja) | 光演算装置 | |
| JPH022537A (ja) | 光学習認識機械 |