JPH04217014A - 光ニューラルコンピュータ - Google Patents
光ニューラルコンピュータInfo
- Publication number
- JPH04217014A JPH04217014A JP41116690A JP41116690A JPH04217014A JP H04217014 A JPH04217014 A JP H04217014A JP 41116690 A JP41116690 A JP 41116690A JP 41116690 A JP41116690 A JP 41116690A JP H04217014 A JPH04217014 A JP H04217014A
- Authority
- JP
- Japan
- Prior art keywords
- light
- signal
- constant value
- modulator
- optical
- 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 51
- 230000001537 neural effect Effects 0.000 title claims description 24
- 239000013598 vector Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 17
- 230000010287 polarization Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 229910001218 Gallium arsenide Inorganic materials 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 25
- 230000008878 coupling Effects 0.000 description 18
- 238000010168 coupling process Methods 0.000 description 18
- 238000005859 coupling reaction Methods 0.000 description 18
- 238000000034 method Methods 0.000 description 17
- 230000010354 integration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
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】
【0001】
【産業上の利用分野】本発明は、人間の脳の働きを模倣
することによって、知的な情報処理をハードウェアで行
なうことを可能にした光ニューラルコンピュータに係わ
り、特に、大規模な学習の効率化を図るための改良に関
する。 【0002】 【従来の技術】図3および図4は従来技術を説明するた
めの図であり、図3は時分割多重処理あるいは周波数多
重処理を使用しない光ニューラルコンピューの一例を示
す構成図である。 【0003】図3において、符号11は初期状態ベクト
ル生成部もしくは記憶部、12はエレメント数nの発光
素子、13はエレメント数n×nの空間光変調器(以下
、SLMと称する)、14はSLM駆動装置、15は結
合行列Tの生成部あるいは結合行列Tを記憶しておくメ
モリ部、16はn×n次元の結合行列T、17はエレメ
ント数nの受光素子、18はn次元のベクトルU、19
はしきい値処理部、110は処理出力、111は出力を
示している。 【0004】この光ニューラルコンピュータの機能の概
略を説明すると、発光素子12が状態ベクトルに対応し
た信号光を発し、その信号光が横方向に広げられ、SL
M13を透過する。その際に信号光は結合行列Tにより
重み付けされ、さらに縦方向に集光されて受光素子17
により受光される。この受光されたベクトルU(18)
はしきい値処理部19によりしきい値処理されて、n次
元の状態ベクトルの処理出力V(110)を得る。この
処理出力Vは、新たに入力として発光素子12に供給さ
れ発光素子12で表示される。この一連の処理を繰り返
すことにより、処理出力Vが定常的となったところで出
力111とする。 【0005】詳細な説明は以下の通りである。結合行列
Tにはあるパターンまたは教師信号等が記憶されている
。記憶されている形態は、n次元のベクトルで表される
データであり、基本的に複数のベクトルである。この装
置は、入力されたベクトルが、この結合行列Tに記憶さ
れたベクトルのどれに近いかを決定し、そのベクトルを
出力する。 【0006】すなわち、このニューラルコンピュータは
、不完全な入力ベクトル(通常、何等かのエラー等によ
る欠損、またはデータ化け等に起因する)を与えた場合
に、記憶されていた完全な出力を想起し出力するもので
あり、入力ベクトルが完全であればそのまま出力される
。 【0007】初期状態ベクトル生成部もしくは記憶部1
1は、初期状態ベクトル、つまりこの系に入ってくる、
おそらくは不完全な入力ベクトルを得る所である。この
入力ベクトルは、各種装置から作っても良いし、他の記
憶装置に記憶されたデータを使用したり、あるいはCC
Dカメラ等からの信号をそのまま入力として用いてもよ
い。この明細書では、何等かの入力情報を与える部分と
して、「初期状態ベクトル生成部もしくは記憶部」(以
下、簡略化して初期状態ベクトル発生部と称する)とし
た。 【0008】初期状態ベクトル発生部11からの入力信
号は、エレメント数nの発光素子12により光に転換さ
れる。この光は水平方向に広げられ、エレメント数n×
nの空間光変調器13 (SLM)に入射される。この
SLM13の各エレメントの光透過度は、駆動装置14
により制御されるようになっている。 【0009】駆動装置14には、結合行列Tの生成部あ
るいは結合行列Tを記憶しておくメモリ部15からデー
タが入力され、SLM13に結合行列Tの内容が表示さ
れる。結合行列Tは、符号16に示すようにn×nの行
列である。 【0010】SLM13を通過し、結合行列Tに基づい
て重み付けをされた透過光は、今度は垂直方向に集光さ
れ、エレメント数nの受光素子17によって受光され、
符号18に示すn次元ベクトルの信号Uを得る。この信
号Uは、しきい値処理部19によりしきい値処理され、
通常、各要素の0,1の二値情報の処理出力ベクトルV
を得る。この処理出力は再び発光素子12の入力として
用いられ、同様の処理が繰り返し行なわれる。この処理
出力が、定常すなわち安定な信号になったところで出力
111とし、これにより連想・想起が行なわれる。 【0011】上述した連想・想起に関して、ニューロン
数、すなわちこの場合のエレメント数nが大きい系にお
いては、発光素子アレイ12、SLM素子13、受光素
子アレイ17の構造が複雑化して実現が難しいうえ、た
とえ各素子が実現しても系が大きくなるため、光学系の
構成が複雑化して高精度が要求され、実質的には実施困
難である。また、前述した構成では各素子の使用効率(
特にSLM13)があまり高くなく、徒に高次元の系を
構成するのは必ずしも適切ではない。 【0012】そこで、比較的低次元の小規模な系を用い
つつ、高次元のニュートラルネットを構成する手法が模
索され、その方法として時分割多重処理・周波数多重処
理が提案されている。 【0013】図4は、時分割多重処理を用いた光ニュー
ラルコンピュータの一例を示している。この例では、n
次元のベクトル入力の処理を、nより低次であるp次元
の系で行なうものである。以下の説明ではnがpで割り
切れるものとして、整数s=n/pを定義しているが、
nがpで割り切れない場合でも、以下の議論は同様に可
能である。 【0014】図4中、符号21は初期状態ベクトルつま
りこの系に入って来るおそらくは不完全な入力を得る所
である。22はエレメント数pの発光素子である。23
はエレメント数p×pのSLMである。このSLMはS
LM駆動装置24により駆動される。SLM23が表示
するのは、符号25に示す、結合行列Tの部分小行列D
ijである。この部分小行列Dijは、符号26に示す
ように全体でTを構成する。27はエレメント数pの受
光素子である。28は時間積分処理部、29はしきい値
処理部、210は状態ベクトル記憶部であり、211は
出力である。 【0015】この装置の動作原理の概略を述べると以下
の通りである。まず、本来はn次元のデータTをp次元
のベクトルs個に分割し、初期状態ベクトル生成部21
では、p次元の入力を発光素子22に与える。処理出力
Vの成分であるp個分のベクトル分の計算を光学系22
,23,27に行なわせ、時分割と時間積分部28によ
る時間積分によりp個分の計算結果を出し、しきい値処
理部29でしきい値処理した後、状態ベクトル記憶部2
10に各処理結果を記憶しておく。 【0016】上記の操作をs(=n/p)回行ない、最
終的に処理出力Vを構成する全ての成分(n個分)の処
理結果を得て、状態ベクトル記憶部210に記憶する。 このようにすることによりエレメント数p×pの光学系
で同n×nの系の処理が可能である。 【0017】次に、上記の時分割処理を詳細に説明する
。この処理の目的は、入力として与えた状態ベクトルV
t(本来はn次元)と結合行列T (n×n次元)の間
で、次式(数1)に示す計算を小規模なp×pの系を用
いて行ない、ベクトルVt+1を得ることにある。 【0018】 【数1】 数1の各項を書き直すと、 【0019】 【数2】 同様に、 【0020】 【数3】 また、Tに関しては、 【0021】 【数4】 したがって、数1の計算を実行してから、VtからVt
+1を求めるには、まずp次元のベクトルUk,t+1
(k=1,・・・,s)を求めることになる。そしてそ
の各項Uk,t+1(m)は、 【0022】 【数5】 となっている。数5中のΣUi,t(l,m)・Dk,
i(l)は、p次元の発光素子アレイ、p×p次元のS
LM、p次元の受光素子アレイからなる光学系で処理で
きる。すなわち、エレメント数n×nの光学系を使用す
ることなく、p×pの光学系で処理できることになる。 その代わり、数5中の外側のiに関するΣ計算は別途、
行わねばならない。 【0023】時間多重の方法は、前記数5のように問題
を考えることにより、p×p次元の系でΣUi,t(l
,m)・Dk,i(l)を、iを1からsまで時間的に
順次変えて計算を実行し、得られた結果を時間的に積分
して、数5のiに関する積算(積分)を行なうものであ
る。これらのことから、図4に示す系でn×nの処理が
できることになる。 【0024】図4の構成では、時間積分処理部28が上
述したΣ計算を行なう。さらに、しきい値処理部29ま
での過程でUk,t+1のみが求められるが、Vt+1
全体は求めることができないため、計算結果を状態ベク
トル記憶部210に記憶しておく。 【0025】以上の例では、出力を連想する過程を説明
したが、学習過程に本方法を使用し、重みの行列である
結合行列Tを、教師信号から得る過程にも用いることが
できる。ここでは詳細は述べないが、その場合には教師
信号Vを装置に与え、結合行列Tを順次変えていき、最
終的に重みの行列 (シナプスの重み付けの行列)Tを
得る。この場合にも、上記の手法と同様にn×nの処理
がp×pの系で実現できる。 【0026】 【発明が解決しようとする課題】ところで、上記時間多
重処理を用いた光ニューラルコンピュータでは、次のよ
うな問題があった。 【0027】(a) 上記従来技術では、時間多重処
理を実施するにあたり、前記数5中のΣ計算を時分割し
、積分器などで電気的に行なう構成になっており、その
積算結果をしきい値処理する電子素子・論理素子に入力
している。このため、これらの過程ではメモリが必要で
ある。この様に従来の方法では、分割された小さなベク
トル演算{ΣUi,t(l,m)・Dk,i(l)}の
みを光学的に行ない、他の演算は電気的に行なっている
ため、系が複雑になり、電気系で演算速度が律速される
。 【0028】(b) 光系における光の並列性とのマ
ッチングを高めるためには、しきい値素子を並列に並べ
るか、あるいは演算結果を一旦書き込むためにメモリを
並列に設ける等の構成が必要になり、全体としての処理
過程が煩雑になるうえ、このような素子を並列に設けた
構成は実施困難である。 【0029】(c) 電気出力でフィードバックして
いたが、もしこれを光で並列に高速にしたいという場合
は、電気・光変換を行わなければならず、2度手間であ
るため高速化には不利であるほか、系の複雑化(この場
合は電気的な時間積分・しきい値処理も当然別途あるわ
けである)を伴っている。従来技術にみられた電気的な
時間積分とスレッシュホルド処理と言うのは、専用の処
理回路を別途設けなければならない。そして、並列に扱
う場合には特に構成が複雑になる。 【0030】本発明は、上記の問題を改善するためにな
されたもので、ある特徴を持つ光書き込み型の空間光変
調器を使用することにより、従来は電気的に処理されて
いた部分を光演算化し、系全体の単純化および高速化が
図れる光ニューラルコンピュータを提供することにある
。 【0031】 【課題を解決する手段】本発明の光ニューラルコンピュ
ータは、学習信号を、時分割多重処理、周波数多重処理
、あるいは時分割多重処理と周波数多重処理とを併用し
た多重処理を行なうことにより、該多重処理の多重数に
応じて仮想的に前記学習信号よりも低次元の小部分学習
信号に分割する、初期状態ベクトル生成部あるいは記憶
部と、前記初期状態ベクトル生成部あるいは記憶部から
の前記小部分学習信号を受け、この小部分学習信号に対
応した光信号を発する発光素子と、前記発光素子が発す
る光信号が透過される複数のエレメントを有し、各エレ
メントを透過する個々の光の重み付けを行なう第1の空
間光変調器と、前記学習信号と等しい次元の結合信号を
、前記各小部分信号と対応して分割してなる小部分結合
信号に基づき、前記マスクの対応する各エレメントを作
動させ、前記重み付けを制御する駆動装置とを具備し、
前記第1の空間光変調器の透過光から光学的に得られた
評価関数を加算し、前記多重処理により得られた値に対
してしきい値を算出し、このしきい値からシナプスの結
合係数を決定する光ニューラルコンピュータにおいて、
前記第1の空間光変調器の透過光を受ける位置には、前
記透過光から評価関数の信号を光学的に得る第2の空間
光変調器が設けられ、この第2の空間光変調器は、前記
第1の空間光変調器を通して有限時間内に入射された光
の時間、光強度、あるいは波長により定まる固有の定数
値を有し、前記入射光の特性がこの定数値を越えると読
み出し光源から照射される読み出し光の偏光を変調し、
入射光が定数値を越えていないと前記偏光を変調しない
特性、あるいは逆に入射光が定数値を越えていると前記
読み出し光の偏光を変調せずに、入射光が定数値を越え
ていないと読み出し光の偏光を変調する特性(スレッシ
ュホルド特性)を有するものであることを特徴としてい
る。 【0032】なお、前記第2の空間光変調器は、GaA
sを用いたpin構造の素子であることを特徴とする請
求項1記載の光ニューラルコンピュータ。 【0033】 【実施例】以下、図1を用いて本発明に係わる光ニュー
ラルコンピュータの実施例を説明する。図1において、
符号31は、初期状態ベクトル、すなわちこの系に入っ
てくるおそらくは不完全な入力を得る、初期状態ベクト
ル生成部もしくは記憶部(以下、「初期ベクトル生成部
」と称する)である。また、32はエレメント数pの発
光素子、33はエレメント数p×pのSLMであり、こ
のSLM33はSLM駆動装置34によって駆動される
。 SLM33は、図中36に示す結合行列Tの部分小行列
Dijを表示する。部分小行列Dijは、36に示すよ
うに、全体で結合行列Tを構成する。 【0034】SLM33を透過した光は、蓄積機能とし
きい値機能を有する反射型SLM37に入光するように
なっている。このSLM37としては、p個以上の画素
を持っているか、またはそれに相当する分解能を持って
いるものが使用される。例えばGaAsを用いたpin
構造のスイッチング素子などが高速性の点で好適である
。 SLM37の裏面には、ハーフミラー39を介して読み
だし用光源38からの読み出し光が照射される。なお、
この例は、SLM37として反射型SLMを使用した例
であるが、透過型SLMを使用した場合にもほぼ同様の
光学系となる。SLM37で反射された読み出し光は、
ハーフミラー39を透過して受光素子310に入り、電
気信号に転換される。この電気信号は、状態ベクトル記
憶部311に入力され、この状態ベクトル記憶部311
から出力312が出力される。 【0035】図1において時間積分処理部28およびし
きい値処理部29を除いた部分と、図3において37〜
310を除いた部分は同一であって、同様にp×pの系
の処理を行なう。図1の実施例では、時間積分処理部2
8としきい値処理部29に対応する処理を、蓄積機能と
しきい値機能を有するSLM37が行ない、系全体とし
て図3の装置と同じ機能を果たす。 【0036】蓄積機能としきい値機能を有するSLMと
しては、ある有限時間内にいくつかの光(通常はパルス
光)が入射された場合に、これら入射光の光量 (=光
強度×照射時間)を積算して、この積算値がある値を越
えているか否かにより、0または1を出力する光書き込
み型のSLM等が挙げられる。通常、光書き込みSLM
はバイアスを与える駆動部の制御下にあり、ある有限な
時間だけ書き込みが許されるようになっているため、前
記の有限時間が規定される。この実施例では、図中破線
の囲いで示したように、図4の系と比較して光学的な処
理部が多くなっている。 【0037】従来技術では、光学的に得た小規模での光
学的演算結果を、電気的に時間積分し、その結果をスレ
ッシュホルド処理して、その系が収束して安定な連想結
果を得るまで、この結果のフィードバックを繰り返して
いた。この実施例の装置では、時間的な積分およびスレ
ッシュホルドの部分を、小規模な系を用いる点では同じ
でありながら実質的に光レベルで処理しているため、系
全体の単純化および高速化が図れる。 【0038】次に、図2を用いて本発明の第2実施例を
説明する。符号41ないし49は図1に示した前記第1
実施例の符号31ないし39にそれぞれ対応している。 図1の装置では、SLM37の読み出し光を受光素子3
10で電気信号に変換した後に、この電気信号を発光素
子42への入力にフィードバックしているのに対し、図
2の装置では、SLM47の読み出し光をそのまま、S
LM43への入射光に加えている点を特徴とする。 【0039】この構成によれば、SLM47を光メモリ
としても使用しているため、図1の実施例では必要だっ
た電気的な状態ベクトル記憶部311が不必要になる。 したがって、この例では光学系が図1の装置に比して若
干複雑になるものの、電気的な処理部・記憶部がなく、
系の一層の光演算化および高速化が図れる。 【0040】 【発明の効果】本発明に係わる光ニューラルコンピュー
タによれば、次のような優れた効果が得られる。 【0041】(1) 学習能力を有し、高度な連想記
憶モデルである高次連想記憶光ニューラルコンピュータ
を、時分割あるいは周波数多重化技術を用い、仮想的な
ユニット空間を構築することにより小規模なハードウェ
アで実現するに際し、電気的に行なっていた光学的演算
部の結果の多重処理を、空間光変調器を用い光で行なっ
ているので、系全体の単純化および高速化が図れる。ま
た、従来別途に設けていた時間積分器およびしきい値処
理装置を省くことができ、系のハードウェアの軽減が大
きく、さらに系の光化により高密度化および高速化が期
待できる。 【0042】(2) 従来技術にみられた電気的な時
間積分とスレッシュホルド処理においては、専用の処理
回路を別途設けなければならず、また並列に扱おうとし
た場合には特に構成が複雑になるのに対し、本発明の光
ニューラルコンピュータでは、時間積分処理部と、スレ
ッシュホルド処理部とを、一つの光並列入力型の空間光
変調器で行なうため、系が単純化できる。 【0043】(3) 光化の部分まで含んだ光学素子
の採用により、光並列出力を得ることができ、この光並
列出力を入力側にフィードバックすることも可能であり
、その場合には、系を極めて高速化かつ単純化できる。
することによって、知的な情報処理をハードウェアで行
なうことを可能にした光ニューラルコンピュータに係わ
り、特に、大規模な学習の効率化を図るための改良に関
する。 【0002】 【従来の技術】図3および図4は従来技術を説明するた
めの図であり、図3は時分割多重処理あるいは周波数多
重処理を使用しない光ニューラルコンピューの一例を示
す構成図である。 【0003】図3において、符号11は初期状態ベクト
ル生成部もしくは記憶部、12はエレメント数nの発光
素子、13はエレメント数n×nの空間光変調器(以下
、SLMと称する)、14はSLM駆動装置、15は結
合行列Tの生成部あるいは結合行列Tを記憶しておくメ
モリ部、16はn×n次元の結合行列T、17はエレメ
ント数nの受光素子、18はn次元のベクトルU、19
はしきい値処理部、110は処理出力、111は出力を
示している。 【0004】この光ニューラルコンピュータの機能の概
略を説明すると、発光素子12が状態ベクトルに対応し
た信号光を発し、その信号光が横方向に広げられ、SL
M13を透過する。その際に信号光は結合行列Tにより
重み付けされ、さらに縦方向に集光されて受光素子17
により受光される。この受光されたベクトルU(18)
はしきい値処理部19によりしきい値処理されて、n次
元の状態ベクトルの処理出力V(110)を得る。この
処理出力Vは、新たに入力として発光素子12に供給さ
れ発光素子12で表示される。この一連の処理を繰り返
すことにより、処理出力Vが定常的となったところで出
力111とする。 【0005】詳細な説明は以下の通りである。結合行列
Tにはあるパターンまたは教師信号等が記憶されている
。記憶されている形態は、n次元のベクトルで表される
データであり、基本的に複数のベクトルである。この装
置は、入力されたベクトルが、この結合行列Tに記憶さ
れたベクトルのどれに近いかを決定し、そのベクトルを
出力する。 【0006】すなわち、このニューラルコンピュータは
、不完全な入力ベクトル(通常、何等かのエラー等によ
る欠損、またはデータ化け等に起因する)を与えた場合
に、記憶されていた完全な出力を想起し出力するもので
あり、入力ベクトルが完全であればそのまま出力される
。 【0007】初期状態ベクトル生成部もしくは記憶部1
1は、初期状態ベクトル、つまりこの系に入ってくる、
おそらくは不完全な入力ベクトルを得る所である。この
入力ベクトルは、各種装置から作っても良いし、他の記
憶装置に記憶されたデータを使用したり、あるいはCC
Dカメラ等からの信号をそのまま入力として用いてもよ
い。この明細書では、何等かの入力情報を与える部分と
して、「初期状態ベクトル生成部もしくは記憶部」(以
下、簡略化して初期状態ベクトル発生部と称する)とし
た。 【0008】初期状態ベクトル発生部11からの入力信
号は、エレメント数nの発光素子12により光に転換さ
れる。この光は水平方向に広げられ、エレメント数n×
nの空間光変調器13 (SLM)に入射される。この
SLM13の各エレメントの光透過度は、駆動装置14
により制御されるようになっている。 【0009】駆動装置14には、結合行列Tの生成部あ
るいは結合行列Tを記憶しておくメモリ部15からデー
タが入力され、SLM13に結合行列Tの内容が表示さ
れる。結合行列Tは、符号16に示すようにn×nの行
列である。 【0010】SLM13を通過し、結合行列Tに基づい
て重み付けをされた透過光は、今度は垂直方向に集光さ
れ、エレメント数nの受光素子17によって受光され、
符号18に示すn次元ベクトルの信号Uを得る。この信
号Uは、しきい値処理部19によりしきい値処理され、
通常、各要素の0,1の二値情報の処理出力ベクトルV
を得る。この処理出力は再び発光素子12の入力として
用いられ、同様の処理が繰り返し行なわれる。この処理
出力が、定常すなわち安定な信号になったところで出力
111とし、これにより連想・想起が行なわれる。 【0011】上述した連想・想起に関して、ニューロン
数、すなわちこの場合のエレメント数nが大きい系にお
いては、発光素子アレイ12、SLM素子13、受光素
子アレイ17の構造が複雑化して実現が難しいうえ、た
とえ各素子が実現しても系が大きくなるため、光学系の
構成が複雑化して高精度が要求され、実質的には実施困
難である。また、前述した構成では各素子の使用効率(
特にSLM13)があまり高くなく、徒に高次元の系を
構成するのは必ずしも適切ではない。 【0012】そこで、比較的低次元の小規模な系を用い
つつ、高次元のニュートラルネットを構成する手法が模
索され、その方法として時分割多重処理・周波数多重処
理が提案されている。 【0013】図4は、時分割多重処理を用いた光ニュー
ラルコンピュータの一例を示している。この例では、n
次元のベクトル入力の処理を、nより低次であるp次元
の系で行なうものである。以下の説明ではnがpで割り
切れるものとして、整数s=n/pを定義しているが、
nがpで割り切れない場合でも、以下の議論は同様に可
能である。 【0014】図4中、符号21は初期状態ベクトルつま
りこの系に入って来るおそらくは不完全な入力を得る所
である。22はエレメント数pの発光素子である。23
はエレメント数p×pのSLMである。このSLMはS
LM駆動装置24により駆動される。SLM23が表示
するのは、符号25に示す、結合行列Tの部分小行列D
ijである。この部分小行列Dijは、符号26に示す
ように全体でTを構成する。27はエレメント数pの受
光素子である。28は時間積分処理部、29はしきい値
処理部、210は状態ベクトル記憶部であり、211は
出力である。 【0015】この装置の動作原理の概略を述べると以下
の通りである。まず、本来はn次元のデータTをp次元
のベクトルs個に分割し、初期状態ベクトル生成部21
では、p次元の入力を発光素子22に与える。処理出力
Vの成分であるp個分のベクトル分の計算を光学系22
,23,27に行なわせ、時分割と時間積分部28によ
る時間積分によりp個分の計算結果を出し、しきい値処
理部29でしきい値処理した後、状態ベクトル記憶部2
10に各処理結果を記憶しておく。 【0016】上記の操作をs(=n/p)回行ない、最
終的に処理出力Vを構成する全ての成分(n個分)の処
理結果を得て、状態ベクトル記憶部210に記憶する。 このようにすることによりエレメント数p×pの光学系
で同n×nの系の処理が可能である。 【0017】次に、上記の時分割処理を詳細に説明する
。この処理の目的は、入力として与えた状態ベクトルV
t(本来はn次元)と結合行列T (n×n次元)の間
で、次式(数1)に示す計算を小規模なp×pの系を用
いて行ない、ベクトルVt+1を得ることにある。 【0018】 【数1】 数1の各項を書き直すと、 【0019】 【数2】 同様に、 【0020】 【数3】 また、Tに関しては、 【0021】 【数4】 したがって、数1の計算を実行してから、VtからVt
+1を求めるには、まずp次元のベクトルUk,t+1
(k=1,・・・,s)を求めることになる。そしてそ
の各項Uk,t+1(m)は、 【0022】 【数5】 となっている。数5中のΣUi,t(l,m)・Dk,
i(l)は、p次元の発光素子アレイ、p×p次元のS
LM、p次元の受光素子アレイからなる光学系で処理で
きる。すなわち、エレメント数n×nの光学系を使用す
ることなく、p×pの光学系で処理できることになる。 その代わり、数5中の外側のiに関するΣ計算は別途、
行わねばならない。 【0023】時間多重の方法は、前記数5のように問題
を考えることにより、p×p次元の系でΣUi,t(l
,m)・Dk,i(l)を、iを1からsまで時間的に
順次変えて計算を実行し、得られた結果を時間的に積分
して、数5のiに関する積算(積分)を行なうものであ
る。これらのことから、図4に示す系でn×nの処理が
できることになる。 【0024】図4の構成では、時間積分処理部28が上
述したΣ計算を行なう。さらに、しきい値処理部29ま
での過程でUk,t+1のみが求められるが、Vt+1
全体は求めることができないため、計算結果を状態ベク
トル記憶部210に記憶しておく。 【0025】以上の例では、出力を連想する過程を説明
したが、学習過程に本方法を使用し、重みの行列である
結合行列Tを、教師信号から得る過程にも用いることが
できる。ここでは詳細は述べないが、その場合には教師
信号Vを装置に与え、結合行列Tを順次変えていき、最
終的に重みの行列 (シナプスの重み付けの行列)Tを
得る。この場合にも、上記の手法と同様にn×nの処理
がp×pの系で実現できる。 【0026】 【発明が解決しようとする課題】ところで、上記時間多
重処理を用いた光ニューラルコンピュータでは、次のよ
うな問題があった。 【0027】(a) 上記従来技術では、時間多重処
理を実施するにあたり、前記数5中のΣ計算を時分割し
、積分器などで電気的に行なう構成になっており、その
積算結果をしきい値処理する電子素子・論理素子に入力
している。このため、これらの過程ではメモリが必要で
ある。この様に従来の方法では、分割された小さなベク
トル演算{ΣUi,t(l,m)・Dk,i(l)}の
みを光学的に行ない、他の演算は電気的に行なっている
ため、系が複雑になり、電気系で演算速度が律速される
。 【0028】(b) 光系における光の並列性とのマ
ッチングを高めるためには、しきい値素子を並列に並べ
るか、あるいは演算結果を一旦書き込むためにメモリを
並列に設ける等の構成が必要になり、全体としての処理
過程が煩雑になるうえ、このような素子を並列に設けた
構成は実施困難である。 【0029】(c) 電気出力でフィードバックして
いたが、もしこれを光で並列に高速にしたいという場合
は、電気・光変換を行わなければならず、2度手間であ
るため高速化には不利であるほか、系の複雑化(この場
合は電気的な時間積分・しきい値処理も当然別途あるわ
けである)を伴っている。従来技術にみられた電気的な
時間積分とスレッシュホルド処理と言うのは、専用の処
理回路を別途設けなければならない。そして、並列に扱
う場合には特に構成が複雑になる。 【0030】本発明は、上記の問題を改善するためにな
されたもので、ある特徴を持つ光書き込み型の空間光変
調器を使用することにより、従来は電気的に処理されて
いた部分を光演算化し、系全体の単純化および高速化が
図れる光ニューラルコンピュータを提供することにある
。 【0031】 【課題を解決する手段】本発明の光ニューラルコンピュ
ータは、学習信号を、時分割多重処理、周波数多重処理
、あるいは時分割多重処理と周波数多重処理とを併用し
た多重処理を行なうことにより、該多重処理の多重数に
応じて仮想的に前記学習信号よりも低次元の小部分学習
信号に分割する、初期状態ベクトル生成部あるいは記憶
部と、前記初期状態ベクトル生成部あるいは記憶部から
の前記小部分学習信号を受け、この小部分学習信号に対
応した光信号を発する発光素子と、前記発光素子が発す
る光信号が透過される複数のエレメントを有し、各エレ
メントを透過する個々の光の重み付けを行なう第1の空
間光変調器と、前記学習信号と等しい次元の結合信号を
、前記各小部分信号と対応して分割してなる小部分結合
信号に基づき、前記マスクの対応する各エレメントを作
動させ、前記重み付けを制御する駆動装置とを具備し、
前記第1の空間光変調器の透過光から光学的に得られた
評価関数を加算し、前記多重処理により得られた値に対
してしきい値を算出し、このしきい値からシナプスの結
合係数を決定する光ニューラルコンピュータにおいて、
前記第1の空間光変調器の透過光を受ける位置には、前
記透過光から評価関数の信号を光学的に得る第2の空間
光変調器が設けられ、この第2の空間光変調器は、前記
第1の空間光変調器を通して有限時間内に入射された光
の時間、光強度、あるいは波長により定まる固有の定数
値を有し、前記入射光の特性がこの定数値を越えると読
み出し光源から照射される読み出し光の偏光を変調し、
入射光が定数値を越えていないと前記偏光を変調しない
特性、あるいは逆に入射光が定数値を越えていると前記
読み出し光の偏光を変調せずに、入射光が定数値を越え
ていないと読み出し光の偏光を変調する特性(スレッシ
ュホルド特性)を有するものであることを特徴としてい
る。 【0032】なお、前記第2の空間光変調器は、GaA
sを用いたpin構造の素子であることを特徴とする請
求項1記載の光ニューラルコンピュータ。 【0033】 【実施例】以下、図1を用いて本発明に係わる光ニュー
ラルコンピュータの実施例を説明する。図1において、
符号31は、初期状態ベクトル、すなわちこの系に入っ
てくるおそらくは不完全な入力を得る、初期状態ベクト
ル生成部もしくは記憶部(以下、「初期ベクトル生成部
」と称する)である。また、32はエレメント数pの発
光素子、33はエレメント数p×pのSLMであり、こ
のSLM33はSLM駆動装置34によって駆動される
。 SLM33は、図中36に示す結合行列Tの部分小行列
Dijを表示する。部分小行列Dijは、36に示すよ
うに、全体で結合行列Tを構成する。 【0034】SLM33を透過した光は、蓄積機能とし
きい値機能を有する反射型SLM37に入光するように
なっている。このSLM37としては、p個以上の画素
を持っているか、またはそれに相当する分解能を持って
いるものが使用される。例えばGaAsを用いたpin
構造のスイッチング素子などが高速性の点で好適である
。 SLM37の裏面には、ハーフミラー39を介して読み
だし用光源38からの読み出し光が照射される。なお、
この例は、SLM37として反射型SLMを使用した例
であるが、透過型SLMを使用した場合にもほぼ同様の
光学系となる。SLM37で反射された読み出し光は、
ハーフミラー39を透過して受光素子310に入り、電
気信号に転換される。この電気信号は、状態ベクトル記
憶部311に入力され、この状態ベクトル記憶部311
から出力312が出力される。 【0035】図1において時間積分処理部28およびし
きい値処理部29を除いた部分と、図3において37〜
310を除いた部分は同一であって、同様にp×pの系
の処理を行なう。図1の実施例では、時間積分処理部2
8としきい値処理部29に対応する処理を、蓄積機能と
しきい値機能を有するSLM37が行ない、系全体とし
て図3の装置と同じ機能を果たす。 【0036】蓄積機能としきい値機能を有するSLMと
しては、ある有限時間内にいくつかの光(通常はパルス
光)が入射された場合に、これら入射光の光量 (=光
強度×照射時間)を積算して、この積算値がある値を越
えているか否かにより、0または1を出力する光書き込
み型のSLM等が挙げられる。通常、光書き込みSLM
はバイアスを与える駆動部の制御下にあり、ある有限な
時間だけ書き込みが許されるようになっているため、前
記の有限時間が規定される。この実施例では、図中破線
の囲いで示したように、図4の系と比較して光学的な処
理部が多くなっている。 【0037】従来技術では、光学的に得た小規模での光
学的演算結果を、電気的に時間積分し、その結果をスレ
ッシュホルド処理して、その系が収束して安定な連想結
果を得るまで、この結果のフィードバックを繰り返して
いた。この実施例の装置では、時間的な積分およびスレ
ッシュホルドの部分を、小規模な系を用いる点では同じ
でありながら実質的に光レベルで処理しているため、系
全体の単純化および高速化が図れる。 【0038】次に、図2を用いて本発明の第2実施例を
説明する。符号41ないし49は図1に示した前記第1
実施例の符号31ないし39にそれぞれ対応している。 図1の装置では、SLM37の読み出し光を受光素子3
10で電気信号に変換した後に、この電気信号を発光素
子42への入力にフィードバックしているのに対し、図
2の装置では、SLM47の読み出し光をそのまま、S
LM43への入射光に加えている点を特徴とする。 【0039】この構成によれば、SLM47を光メモリ
としても使用しているため、図1の実施例では必要だっ
た電気的な状態ベクトル記憶部311が不必要になる。 したがって、この例では光学系が図1の装置に比して若
干複雑になるものの、電気的な処理部・記憶部がなく、
系の一層の光演算化および高速化が図れる。 【0040】 【発明の効果】本発明に係わる光ニューラルコンピュー
タによれば、次のような優れた効果が得られる。 【0041】(1) 学習能力を有し、高度な連想記
憶モデルである高次連想記憶光ニューラルコンピュータ
を、時分割あるいは周波数多重化技術を用い、仮想的な
ユニット空間を構築することにより小規模なハードウェ
アで実現するに際し、電気的に行なっていた光学的演算
部の結果の多重処理を、空間光変調器を用い光で行なっ
ているので、系全体の単純化および高速化が図れる。ま
た、従来別途に設けていた時間積分器およびしきい値処
理装置を省くことができ、系のハードウェアの軽減が大
きく、さらに系の光化により高密度化および高速化が期
待できる。 【0042】(2) 従来技術にみられた電気的な時
間積分とスレッシュホルド処理においては、専用の処理
回路を別途設けなければならず、また並列に扱おうとし
た場合には特に構成が複雑になるのに対し、本発明の光
ニューラルコンピュータでは、時間積分処理部と、スレ
ッシュホルド処理部とを、一つの光並列入力型の空間光
変調器で行なうため、系が単純化できる。 【0043】(3) 光化の部分まで含んだ光学素子
の採用により、光並列出力を得ることができ、この光並
列出力を入力側にフィードバックすることも可能であり
、その場合には、系を極めて高速化かつ単純化できる。
【図1】本発明の第1実施例の光ニューラルコンピュー
タを示す構成図である。
タを示す構成図である。
【図2】本発明の第2実施例の光ニューラルコンピュー
タを示す構成図である。
タを示す構成図である。
【図3】時分割あるいは周波数多重処理を使用しない、
従来の光ニューラルコンピュータの構成図である。
従来の光ニューラルコンピュータの構成図である。
【図4】時分割多重処理を用いた従来の光ニューラルコ
ンピュータの構成図である。
ンピュータの構成図である。
31 初期状態ベクトル生成部もしくは記憶部32
エレメント数pの発光素子 33 エレメント数p×pのSLM(空間光変調器)
34 SLM駆動装置 35 結合行列Tの部分小行列Dij36 結合行
列Tの全体 37 蓄積機能としきい値機能を有するSLM(空間
光変調器) 38 読み出し用光源 39 ハーフミラー 310 受光素子 311 状態ベクトル記憶部 312 出力 41 初期状態ベクトル生成部もしくは記憶部42
エレメント数pの発光素子 43 エレメント数p×pのSLM 44 SLM駆動装置 45 結合行列Tの部分小行列Dij46 結合行
列Tの全体 47 蓄積機能としきい値機能を有するSLM48
読み出し用の光源 49 ハーフミラー 410 出力
エレメント数pの発光素子 33 エレメント数p×pのSLM(空間光変調器)
34 SLM駆動装置 35 結合行列Tの部分小行列Dij36 結合行
列Tの全体 37 蓄積機能としきい値機能を有するSLM(空間
光変調器) 38 読み出し用光源 39 ハーフミラー 310 受光素子 311 状態ベクトル記憶部 312 出力 41 初期状態ベクトル生成部もしくは記憶部42
エレメント数pの発光素子 43 エレメント数p×pのSLM 44 SLM駆動装置 45 結合行列Tの部分小行列Dij46 結合行
列Tの全体 47 蓄積機能としきい値機能を有するSLM48
読み出し用の光源 49 ハーフミラー 410 出力
Claims (2)
- 【請求項1】 学習信号を、時分割多重処理、周波数
多重処理、あるいは時分割多重処理と周波数多重処理と
を併用した多重処理を行なうことにより、該多重処理の
多重数に応じて仮想的に前記学習信号よりも低次元の小
部分学習信号に分割する、初期状態ベクトル生成部ある
いは記憶部と、前記初期状態ベクトル生成部あるいは記
憶部からの前記小部分学習信号を受け、この小部分学習
信号に対応した光信号を発する発光素子と、前記発光素
子が発する光信号が透過される複数のエレメントを有し
、各エレメントを透過する個々の光の重み付けを行なう
第1の空間光変調器と、前記学習信号と等しい次元の結
合信号を、前記各小部分信号と対応して分割してなる小
部分結合信号に基づき、前記マスクの対応する各エレメ
ントを作動させ、前記重み付けを制御する駆動装置とを
具備し、前記第1の空間光変調器の透過光から光学的に
得られた評価関数を加算し、前記多重処理により得られ
た値に対してしきい値を算出し、このしきい値からシナ
プスの結合係数を決定する光ニューラルコンピュータに
おいて、前記第1の空間光変調器の透過光を受ける位置
には、前記透過光から評価関数の信号を光学的に得る第
2の空間光変調器が設けられ、この第2の空間光変調器
は、前記第1の空間光変調器を通して有限時間内に入射
された光の時間、光強度、あるいは波長により定まる固
有の定数値を有し、前記入射光の特性がこの定数値を越
えると読み出し光源から照射される読み出し光の偏光を
変調し、入射光が定数値を越えていないと前記偏光を変
調しない特性、あるいは逆に入射光が定数値を越えてい
ると前記読み出し光の偏光を変調せずに、入射光が定数
値を越えていないと読み出し光の偏光を変調する特性(
スレッシュホルド特性)を有するものであることを特徴
とする光ニューラルコンピュータ。 - 【請求項2】 前記第2の空間光変調器は、GaAs
を用いたpin構造の素子であることを特徴とする請求
項1記載の光ニューラルコンピュータ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP41116690A JPH04217014A (ja) | 1990-12-17 | 1990-12-17 | 光ニューラルコンピュータ |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP41116690A JPH04217014A (ja) | 1990-12-17 | 1990-12-17 | 光ニューラルコンピュータ |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH04217014A true JPH04217014A (ja) | 1992-08-07 |
Family
ID=18520209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP41116690A Pending JPH04217014A (ja) | 1990-12-17 | 1990-12-17 | 光ニューラルコンピュータ |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH04217014A (ja) |
-
1990
- 1990-12-17 JP JP41116690A patent/JPH04217014A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12073315B2 (en) | Optoelectronic computing systems | |
US5004309A (en) | Neural processor with holographic optical paths and nonlinear operating means | |
TWI777108B (zh) | 計算系統、計算裝置及計算系統的操作方法 | |
JP3707804B2 (ja) | 光学情報処理装置 | |
US5428466A (en) | Neural networks | |
US5132813A (en) | Neural processor with holographic optical paths and nonlinear operating means | |
US4824192A (en) | Optical processing | |
US5220642A (en) | Optical neurocomputer with dynamic weight matrix | |
JP2774331B2 (ja) | 全光型多層ニユーラル・ネツトワーク・システム | |
JPH04217014A (ja) | 光ニューラルコンピュータ | |
Kiselyov et al. | Optical associative memory for high-order correlation patterns | |
JP2621378B2 (ja) | ニューロコンピュータ | |
Wen et al. | Modified two-dimensional Hamming neural network and its optical implementation using Dammann gratings | |
Asthana et al. | Photonic components for neural net implementations using incoherent-coherent holographic interconnections | |
Wagner et al. | Competitive optical learning with winner-take-all modulators | |
Petrisor et al. | Volume holographic interconnection and copying architectures based on incoherent/coherent source arrays | |
GB2221329A (en) | Optical neural network | |
Li et al. | Optical pseudoinverse neural network | |
JPH022537A (ja) | 光学習認識機械 | |
Shamir | 13. Signal processing and storage | |
JP2843066B2 (ja) | 光―電気ハイブリツド型多層ニユーラル・ネツトワーク・システム | |
Owechko et al. | Holographic neural networks based on multi-grating processes | |
Henshaw | Four-dimensional neural network architecture | |
Ansari et al. | Optical computing | |
JPH06130444A (ja) | 光学演算素子および光学情報処理回路 |