WO2022001002A1 - 基于可调谐滤波器的硅基片上光子神经网络及其调制方法 - Google Patents

基于可调谐滤波器的硅基片上光子神经网络及其调制方法 Download PDF

Info

Publication number
WO2022001002A1
WO2022001002A1 PCT/CN2020/134670 CN2020134670W WO2022001002A1 WO 2022001002 A1 WO2022001002 A1 WO 2022001002A1 CN 2020134670 W CN2020134670 W CN 2020134670W WO 2022001002 A1 WO2022001002 A1 WO 2022001002A1
Authority
WO
WIPO (PCT)
Prior art keywords
optical signal
tunable filter
optical
silicon substrate
neural network
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.)
Ceased
Application number
PCT/CN2020/134670
Other languages
English (en)
French (fr)
Inventor
黄莹
储涛
胡小燕
王伟平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Science Academy Of China Electronics Technology Group Corp
Zhejiang University
Original Assignee
Information Science Academy Of China Electronics Technology Group Corp
Zhejiang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information Science Academy Of China Electronics Technology Group Corp, Zhejiang University filed Critical Information Science Academy Of China Electronics Technology Group Corp
Priority to JP2022501202A priority Critical patent/JP7420356B2/ja
Publication of WO2022001002A1 publication Critical patent/WO2022001002A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the optical signal is input to the heating layer to change the effective refractive index of the optical waveguide, so that the second optical signal passing through the optical waveguide is changed to the third light Signal.
  • FIG. 6 is a schematic diagram of an output spectrum of a filter according to an embodiment of the present disclosure.
  • FIG. 1 is a schematic structural diagram of a photonic neural network on a silicon substrate based on a tunable filter according to an embodiment of the present disclosure.
  • the linear operation network 1 includes a plurality of input terminals 1IN and a plurality of output terminals 1OUT. It should be understood that, in the embodiment shown in FIG. 1 , the linear operation network 1 includes 4 input terminals 1IN and 4 output terminals 1OUT to realize a 4 ⁇ 4 linear operation, which is only exemplary. The present disclosure can also implement other linear operations, such as 6 ⁇ 6, 8 ⁇ 8, etc., which are not limited by the embodiments of the present disclosure.
  • the plurality of input terminals 1IN are used for receiving a plurality of input optical signals.
  • the plurality of output terminals 1OUT are used for outputting a plurality of first optical signals.
  • the plurality of input optical signals and the plurality of first optical signals have a one-to-one correspondence.
  • the light intensity of each input optical signal has a linear relationship with the light intensity of the corresponding first optical signal.
  • the input optical signal, the first optical signal, the second optical signal, and the third optical signal have the same wavelength.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
  • Optical Integrated Circuits (AREA)

Abstract

本公开提供了一种基于可调谐滤波器的硅基片上光子神经网络及其调制方法。该网络包括：线性运算网络，包括：多个输入端，用于接收多个输入光信号，和，多个输出端，用于输出多个第一光信号，其中，多个输入光信号与多个第一光信号具有一一对应关系，每个输入光信号的光强与对应的第一光信号的光强具有线性关系；多个光电探测器，用于接收多个第一光信号，并将多个第一光信号转换为多个电信号；多个光源，用于输出多个第二光信号；以及多个可调谐滤波器，其中，每个可调谐滤波器连接一个光电探测器和一个光源，每个可调谐滤波器用于接收光电探测器输出的电信号和光源输出的第二光信号，并根据电信号对第二光信号进行调制以输出第三光信号，其中，第三光信号的光强与对应的第一光信号的光强具有非线性关系。

Description

基于可调谐滤波器的硅基片上光子神经网络及其调制方法
相关申请的交叉引用
本申请基于申请号为202010620808.5、申请日为2020年07月01日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此引入本申请作为参考。
技术领域
本公开涉及光通信技术领域，特别涉及一种基于可调谐滤波器的硅基片上光子神经网络及其调制方法。
背景技术
近年来，人工智能和大数据技术迅速发展，对芯片的计算能力，尤其是速率和功耗提出了更高的要求。传统的电子芯片受限于摩尔定律，其集成度和计算能力提升缓慢。而光子芯片，因其作为信息处理载体的超高传输速度、超低功耗，受到了越来越多的关注。其中，硅基光子芯片基于绝缘体上硅(SOI，Silicon-on-Insulator)材料制成，与传统的CMOS(Complementary Metal-Oxide-Semiconductor)工艺相兼容，具有高速率、低功耗、低功耗、高集成度和抗电磁干扰等优势，是目前光芯片的主要实现方式。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开的实施例提出了一种基于可调谐滤波器的硅基片上光子神经网络，包括：线性运算网络，包括：多个输入端，用于接收多个输入光信号，和，多个输出端，用于输出多个第一光信号，其中，所述多个输入光信号与所述多个第一光信号具有一一对应关系，每个输入光信号的光强与对应的第一光信号的光强具有线性关系；多个光电探测器，用于接收所述多个第一光信号，并将所述多个第一光信号转换为多个电信号；多个光源，用于输出多个第二光信号；以及多个可调谐滤波器，其中，每个可调谐滤波器连接一个光电探测器和一个光源，每个可调谐滤波器用于接收所述光电探测器输出的所述电信号和所述光源输出的所述第二光信号，并根据所述电信号对所述第二光信号进行调制以输出第三光信号，其中，所述第三光信号的光强与对应的所述第一光信号的光强具有非线性关系。
在本公开的实施例中，所述线性运算网络包括Mach–Zehnder interferometer(MZI)网络 或Direct coupler(DC)网络。
在本公开的实施例中，所述输入光信号、所述第一光信号、所述第二光信号和所述第三光信号具有相同的波长。
在本公开的实施例中，所述可调谐滤波器包括布拉格反射光栅滤波器。
在本公开的实施例中，所述布拉格反射光栅滤波器，包括：加热层，用于接收所述电信号；布拉格光栅，位于所述加热层之下，所述光栅的第一端用于接收所述第二光信号，所述光栅的第二端用于输出所述第三光信号。
在本公开的实施例中，利用热调或电调改变所述布拉格光栅的有效折射率以实现所述可调谐滤波器。
在本公开的实施例中，所述可调谐滤波器包括F-P腔滤波器。
在本公开的实施例中，所述F-P腔滤波器包括：加热层，用于接收所述电信号；光波导，位于所述加热层下，第一分布式布拉格反射镜，连接至所述光波导的第一端，用于接收所述第二光信号；第二分布式布拉格反射镜，连接至所述光波导的第二端，用于输出所述第三光信号。
在本公开的实施例中，所述光信号输入至所述加热层以改变所述光波导的有效折射率，从而使得经由所述光波导的所述第二光信号改变为所述第三光信号。
在本公开的实施例中，所述MZI网络包括多个基本单元，所述基本单元包括耦合器、外部移相器和内部移相器，所述耦合器在所述外部移相器和所述内部移相器之间。
在本公开的实施例中，所述DC网络包括多个基本单元，所述基本单元包括调制臂和可调谐DC耦合器。
在本公开的实施例中，所述可调谐滤波器的中心波长在初始或无调制状态时与所述第二光信号的波长相同。
在本公开的实施例中，当施加在所述可调谐滤波器上的所述电信号发生变化时，所述可调谐滤波器的中心波长发生偏移，所述第二光信号波长处光波的透射强度发生改变，使得所述可调谐滤波器输出的所述第三光信号的光强和所述线性网络输出的所述第一光信号的光强呈非线性的关系。
本公开的实施例提出了一种光子集成电路，包括多个上述任一项所述的基于可调谐滤波器的硅基片上光子神经网络。
本公开的实施例提出了一种光信号的调制方法，包括：将多个输入光信号进行线性运算，以获得多个第一光信号；将所述多个第一光信号转换为多个电信号；获得多个第二光信号；以及利用多个电信号对多个第二光信号进行调制，获得多个第三光信号，其中， 所述第三光信号的光强与对应的所述第一光信号的光强具有非线性关系。
在本公开的实施例中，所述输入光信号、所述第一光信号、所述第二光信号和所述第三光信号具有相同的波长。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本公开实施例的基于可调谐滤波器的硅基片上光子神经网络结构示意图；
图2为根据本公开实施例的MZI网络结构示意图；
图3为根据本公开实施例的DC网络结构示意图；
图4为根据本公开实施例的滤波器的示意图；
图5为根据本公开实施例的滤波器的示意图；
图6为根据本公开实施例的滤波器的输出光谱的示意图；
图7为根据本公开实施例的滤波器的非线性关系图；
图8为根据本公开实施例的光信号的调制方法的流程图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
基于大规模数据处理的机器学习是人工智能技术的重要实现方法，其中人工神经网络(ANNs，Artificial Neural Networks)算法是机器学习中常用的算法之一，目前主要是通过电学CMOS芯片来实现计算。随着数据量和计算复杂度的提升，现有的CMOS计算芯片已不足以满足神经网络的计算需求。相较于电学CMOS芯片，用光子技术实现神经网络可在计算速度有较大提升(光子人工智能芯片的计算速度大概是电子芯片的三个数量级)，同时功耗远远低于电学芯片。人工神经网络包括输入层、隐藏层和输出层，每一层中信息通过线性组合传播，如矩阵乘法，后通过非线性激活函数处理，具体的运算主要包括矩阵乘法运算和非线性激活函数部分。目前，针对光子神经网络芯片，人们集中研究人工神经网络中线性运算即矩阵乘法计算部分的光学实现，如采用硅基MZI网络结构或基于波分复用系统的微环 权重库来实现矩阵运算等。但是，对于非线性激活函数部分仍然采用电学方法来实现，无法和矩阵预算部分实现片上集成，仍存在运算速度低，功耗较高的问题。
综上所述，为了适应大数据时代的快速发展，实现适用于片上神经网络的光子计算芯片是光计算代替电计算发展的必然之路，也是目前研究重点。非线性激活函数的光学实现或片上集成技术仍然处于探索阶段，为了实现低功耗、低延时、高能效比、高精度的光子神经网络芯片，找到一个适合光子神经网络的激励函数迫在眉睫。
图1为根据本公开实施例的基于可调谐滤波器的硅基片上光子神经网络的结构示意图。
如图1所示，该基于可调谐滤波器的硅基片上光子神经网络12包括：线性运算网络1和非线性运算的片上集成结构6。
线性运算网络1包括多个输入端1IN和多个输出端1OUT。应当理解，在图1所示的实施例中，线性运算网络1包括4个输入端1IN和4个输出端1OUT，实现4×4的线性运算，其仅仅是示例性的。本公开还可以实现其他线性运算，如6×6、8×8等，对此本公开实施例不进行限定。多个输入端1IN用于接收多个输入光信号。多个输出端1OUT用于输出多个第一光信号。多个输入光信号与多个第一光信号具有一一对应关系。每个输入光信号的光强与对应的第一光信号的光强具有线性关系。
片上集成结构6包括多个光电探测器2、多个光源3以及多个可调谐滤波器4。多个光电探测器2用于接收多个第一光信号，并将多个第一光信号转换为多个电信号。也就是说，每个光电探测器2接收多个第一光信号中的一个对应第一光信号，并将对应第一光信号转换为电信号。每个光源3输出一个第二光信号。每个可调谐滤波器4连接一个对应光电探测器2和一个对应光源3。每个可调谐滤波器4用于接收对应光电探测器2输出的电信号和对应光源3输出的第二光信号，并根据电信号对第二光信号进行调制以输出第三光信号5。
在本公开的实施例中，第三光信号的光强与对应的第一光信号的光强具有非线性关系，从而实现神经网络中激活函数的功能。
在本公开的实施例中，输入光信号、第一光信号、第二光信号和第三光信号具有相同的波长。
如图1所示，以4×4光子神经网络为例，4×4线性运算1为线性运算部分，非线性运算片上集成结构6为非线性激活函数实现模块，非线性激活函数实现模块由光电探测器、光源和可调谐滤波器组成。
在本公开的实施例中，线性运算网络1包括Mach–Zehnder interferometer(MZI)网络或Direct coupler(DC)网络。
例如，MZI网络的多个输入端为光信号输入端，多个输出端连接多个光电探测器的输入端，用于对输入的光信号进行线性运算。
具体地，光子神经网络的线性运算部分是基于MZI网络结构实现的，如矩阵乘法运算的线性运算。
MZI网络为阵列结构，包括多个基本单元。如图2所示，展示了MZI网络的基本单元结构7和MZI基本单元展开结构11。基本单元结构7包括耦合器8、外部移相器9和内部移相器10，耦合器8在外部移相器9和内部移相器10之间。
DC网络为阵列结构，包括多个基本单元。如图3所示，展示了DC网络的基本单元结构7和DC网络展开结构7-3。基本单元结构7包括调制臂7-1和可调谐DC耦合器7-2。
利用MZI网络或DC网络对输入光信号进行线性运算，线性运算后得到的第一光信号输入到光电探测器中。光电探测器将第一光信号转换为电信号。光电探测器的输出端连接可调谐滤波器的电极输入端。光电探测器将电信号输入到可调谐滤波器的电极输入端，作为可调谐滤波器的调制信号加在可调谐滤波器上。
进一步地，利用热调或材料的等离子色散效应进行电调改变光波导的有效折射率以实现可调谐滤波器。
具体而言，可调谐滤波器包括热电极或载流子掺杂层，利用热电极将热能传递给光波导改变光波导的有效折射率或者载流子掺杂层形成热电阻，热电阻通电流时发热从而引起光波导折射率变化。
还可以通过材料的等离子色散效应的电光调制改变光波导的有效折射率实现可调谐滤波器。
在本公开的实施例中，可调谐滤波器可以是基于SOI光波导(薄膜硅材料(Silicon-on-insulator，SOI))的热调布拉格反射光栅滤波器或F-P腔滤波器。
如图4所示，展示了可调谐布拉格光栅滤波器结构，其中，13为硅衬底，14为二氧化硅埋氧层，15为加热层(结构不限)，17为布拉格反射光栅(结构不限)。
加热层15用于接收电信号；布拉格光栅17位于加热层15之下，光栅17的第一端用于接收第二光信号，光栅17的第二端用于输出第三光信号。
其中，光信号输入至加热层15以改变光栅17的有效折射率，从而使得经由光栅17的第二光信号改变为第三光信号。
如图5所示，展示了可调谐FP腔滤波器结构，其中，13为硅衬底，14为二氧化硅埋氧层，15为加热层(结构不限)，16为光波导，17为布拉格反射光栅(结构不限)。
具体地，加热层15用于接收电信号；光波导16位于加热层15下，第一分布式布拉格反射镜17，连接至光波导16的第一端，用于接收第二光信号；第二分布式布拉格反射镜17，连接至光波导16的第二端，用于输出第三光信号。
在本公开的实施例中，F-P腔的两侧增加了第一分布式布拉格反射镜17和第二分布式布拉格反射镜17，从而构成DBR(Distributed Bragg Reflector)F-P腔滤波器。第二光信号通过光波导入射至DBR F-P腔滤波器，先进入到第一分布式布拉格反射镜17，中心波长的光波在第一分布式布拉格反射镜17和第二分布式布拉格反射镜17之间的F-P腔中发生干涉，形成驻波，透射出的光波经波导输出为第三光信号。利用两边的光栅设置反射率，合理设置F-P腔的腔长，使其透射的中心波长与第二光信号波长具有一定的偏差.当F-P腔被热调或者电调时，中心波长向第二光信号的波长偏移，从而使得第二光信号波长下的透射率增加，得到一个适合的传输曲线。从而实现第三光信号光强与第一光信号光强呈非线性关系。
如图1所示，光源设置在可调谐滤波器的光信号输入端，为可调谐滤波器单独提供光信号。可调谐滤波器根据电信号和光源提供的光信号进行调制，输出端输出光波5，既第三光信号。
上述光源为可调谐滤波器的输入光信号，该输入光信号与线性运算之后的光信号具有相同波长。初始无调制状态下，可调谐滤波器的中心波长与输入光信号的波长相等，如图6所示，此时可调谐滤波器在中心波长处的反射率达到最大，透射率最小，输出光强近似为0。随着线性运算的输出光信号的光强的变化，加在可调谐滤波器上的调制电信号发生变化，调谐滤波器的中心波长向右偏移，输入光信号波长处光波的透射强度随之发生改变，即，当滤波器中心波长偏移时，输入光信号波长处光波的透射率将发生改变。从而使得滤波器的输出光强和MZI阵列的输出光强呈非线性的关系。
如图7所示，设计可调谐滤波器的带宽和自由光谱范围(Free Spectral Range，FSR)在一定的范围内，当MZI阵列的输出光强比较小时，滤波器输出光强也会较小，当MZI阵列的输出光强比较大时，滤波器输出光强也会较大。因此，针对MZI网络的输出光信号而言，可调谐滤波器中光波的传输自然地实现了一个近似tanh的函数，从而实现非线性函数，可以提高了运算的速度和能效比。
进一步地，在本公开的一个实施例中，将MZI网络、光电探测器、光源和可调谐滤波器组成的光子神经网络级联，得到多层光子神经网络。
具体而言，可调谐滤波器的输出光信号可以直接输入到下一层MZI网络结构中，进而实现多层网络的级联。每一层非线性激活函数部分的输入光信号是单独光源输入的， 输出光强和输入光强呈正相关，同时也解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
根据本公开实施例，通过MZI网络或DC网络对输入光波进行线性运算；光电探测器用于将MZI网络或DC线性运算后输出的光信号转换为电信号；通过光源为可调谐滤波器提供光信号；可调谐滤波器根据电信号和光源提供的光信号进行调制，输出光波。由此，实现低功耗、低延时、高能效比、高精度的光子神经网络芯片，并且每一层非线性激活函数部分的输入光信号是单独光源输入的，输出光强和输入光强呈正相关，同时也解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
下面参照附图描述根据本公开实施例提出的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法。
图8为根据本公开一个实施例的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法流程图。
如图8所示，该利用基于可调谐滤波器的硅基片上光子神经网络的调制方法包括：
S1，将多个输入光信号进行线性运算，以获得多个第一光信号。
S2，将所述多个第一光信号转换为多个电信号。
S3，获得多个第二光信号；
S4，利用多个电信号对多个第二光信号进行调制，获得多个第三光信号。
具体地，利用MZI网络对多个输入光信号进行线性运算，将线性运算后得到的多个第一光信号输入至多个光电探测器；利用光电探测器将光信号转换为电信号，并将电信号输入到可调谐滤波器中；利用热调或电调改变光波导的有效折射率实现可调谐滤波器，并通过光源为可调谐滤波器施加与线性运算波长相同的第二光信号；根据电信号和光源提供的第二光信号进行调制，输出端输出第三光信号。
在本公开的实施例中，第三光信号的光强与对应的第一光信号的光强具有非线性关系，从而实现神经网络中激活函数的功能。
在本公开的实施例中，输入光信号、第一光信号、第二光信号和第三光信号具有相同的波长。
更具体地，当线性运算部分结束后，光波从MZI阵列输出，经过片上集成的光电探测器，将光信号转换为电信号，作为可调谐滤波器的调制信号加在可调谐滤波器上，通过热调或者电调改变光波导的有效折射率。给可调谐滤波器输入与线性运算相同波长的光信号，作为可调谐滤波器的输入光信号。初始无调制状态下，设计可调谐滤波器的中心波长与输入光信号波长相等。
需要说明的是，前述对光子神经网络实施例的解释说明也适用于该实施例的方法，此处不再赘述。
根据本公开实施例提出的利用基于可调谐滤波器的硅基片上光子神经网络的调制方法，利用MZI网络对输入光波进行线性运算，将线性运算后得到的光信号输入至光电探测器；利用光电探测器将光信号转换为电信号，并将电信号输入到可调谐滤波器中；利用热调或电调改变光波导的有效折射率实现可调谐滤波器，并通过光源为可调谐滤波器施加与线性运算波长相同的光信号；根据电信号和光源提供的光信号进行调制，输出端输出光波。由此，实现低功耗、低延时、高能效比、高精度的光子神经网络芯片，并且每一层非线性激活函数部分的输入光信号是单独光源输入的，输出光强和输入光强呈正相关，同时也解决了多层级联时光信号强度因插入损耗和传输损耗而衰减的问题。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (16)

  1. 一种基于可调谐滤波器的硅基片上光子神经网络，其特征在于，包括：
    线性运算网络，包括：
    多个输入端，用于接收多个输入光信号，和，
    多个输出端，用于输出多个第一光信号，其中，所述多个输入光信号与所述多个第一光信号具有一一对应关系，每个输入光信号的光强与对应的第一光信号的光强具有线性关系；
    多个光电探测器，用于接收所述多个第一光信号，并将所述多个第一光信号转换为多个电信号；
    多个光源，用于输出多个第二光信号；以及
    多个可调谐滤波器，其中，每个可调谐滤波器连接一个光电探测器和一个光源，每个可调谐滤波器用于接收所述光电探测器输出的所述电信号和所述光源输出的所述第二光信号，并根据所述电信号对所述第二光信号进行调制以输出第三光信号，
    其中，所述第三光信号的光强与对应的所述第一光信号的光强具有非线性关系。
  2. 根据权利要求1所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述线性运算网络包括Mach–Zehnder interferometer(MZI)网络或Direct coupler(DC)网络。
  3. 根据权利要求1或2所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述输入光信号、所述第一光信号、所述第二光信号和所述第三光信号具有相同的波长。
  4. 根据权利要求1至3中任一项所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述可调谐滤波器包括布拉格反射光栅滤波器。
  5. 根据权利要求4所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述布拉格反射光栅滤波器，包括：
    加热层，用于接收所述电信号；
    布拉格光栅，位于所述加热层之下，所述光栅的第一端用于接收所述第二光信号，所述光栅的第二端用于输出所述第三光信号。
  6. 根据权利要求5所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，利用热调或电调改变所述布拉格光栅的有效折射率以实现所述可调谐滤波器。
  7. 根据权利要求1至3中任一项所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述可调谐滤波器包括F-P腔滤波器。
  8. 根据权利要求7所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于， 所述F-P腔滤波器包括：
    加热层，用于接收所述电信号；
    光波导，位于所述加热层下，
    第一分布式布拉格反射镜，连接至所述光波导的第一端，用于接收所述第二光信号；
    第二分布式布拉格反射镜，连接至所述光波导的第二端，用于输出所述第三光信号。
  9. 根据权利要求8所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述光信号输入至所述加热层以改变所述光波导的有效折射率，从而使得经由所述光波导的所述第二光信号改变为所述第三光信号。
  10. 根据权利要求2至9中任一项所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述MZI网络包括多个基本单元，所述基本单元包括耦合器、外部移相器和内部移相器，所述耦合器在所述外部移相器和所述内部移相器之间。
  11. 根据权利要求2至9中任一项所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述DC网络包括多个基本单元，所述基本单元包括调制臂和可调谐DC耦合器。
  12. 根据权利要求1至11中任一项所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，所述可调谐滤波器的中心波长在初始或无调制状态时与所述第二光信号的波长相同。
  13. 根据权利要求1至12中任一项所述的基于可调谐滤波器的硅基片上光子神经网络，其特征在于，
    当施加在所述可调谐滤波器上的所述电信号发生变化时，所述可调谐滤波器的中心波长发生偏移，所述第二光信号波长处光波的透射强度发生改变，使得所述可调谐滤波器输出的所述第三光信号的光强和所述线性网络输出的所述第一光信号的光强呈非线性的关系。
  14. 一种光子集成电路，包括多个权利要求1至13任一项所述的基于可调谐滤波器的硅基片上光子神经网络。
  15. 一种光信号的调制方法，其特征在于，包括：
    将多个输入光信号进行线性运算，以获得多个第一光信号；
    将所述多个第一光信号转换为多个电信号；
    获得多个第二光信号；以及
    利用多个电信号对多个第二光信号进行调制，获得多个第三光信号，
    其中，所述第三光信号的光强与对应的所述第一光信号的光强具有非线性关系。
  16. 根据权利要求15所述的方法，所述输入光信号、所述第一光信号、所述第二光信 号和所述第三光信号具有相同的波长。
PCT/CN2020/134670 2020-07-01 2020-12-08 基于可调谐滤波器的硅基片上光子神经网络及其调制方法 Ceased WO2022001002A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022501202A JP7420356B2 (ja) 2020-07-01 2020-12-08 チューナブルフィルタに基づくシリコン基板上のフォトニックニューラルネットワーク及びその変調方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010620808.5 2020-07-01
CN202010620808.5A CN113890620B (zh) 2020-07-01 2020-07-01 基于可调谐滤波器的硅基片上光子神经网络及其调制方法

Publications (1)

Publication Number Publication Date
WO2022001002A1 true WO2022001002A1 (zh) 2022-01-06

Family

ID=79012614

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/134670 Ceased WO2022001002A1 (zh) 2020-07-01 2020-12-08 基于可调谐滤波器的硅基片上光子神经网络及其调制方法

Country Status (3)

Country Link
JP (1) JP7420356B2 (zh)
CN (1) CN113890620B (zh)
WO (1) WO2022001002A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358270A (zh) * 2022-01-07 2022-04-15 南京鼎芯光电科技有限公司 一种多维复用技术的光子神经网络及实现方法
CN116258189A (zh) * 2023-03-15 2023-06-13 西安电子科技大学 一种交叉阵列的光子突触权重矩阵装置及其权重调整方法
CN120235205A (zh) * 2025-05-30 2025-07-01 苏州元脑智能科技有限公司 一种光电信号处理器件、光神经网络模型训练方法以及光计算设备
CN120745725A (zh) * 2025-06-23 2025-10-03 重庆邮电大学 基于线性系统的全光非线性神经网络系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023140788A2 (en) * 2022-01-18 2023-07-27 National University Of Singapore Photonic neural network accelerator
CN114358271B (zh) * 2022-03-18 2022-07-12 之江实验室 一种时间-波长交织光子神经网络卷积加速芯片
CN114758193B (zh) * 2022-04-27 2025-09-16 南开大学 一种基于光子神经网络的飞行目标识别系统及搭建方法
CN115508958B (zh) * 2022-10-08 2024-05-24 深圳中科天鹰科技有限公司 一种基于光学神经网络的光子芯片
CN117891023B (zh) * 2024-03-15 2024-05-31 山东云海国创云计算装备产业创新中心有限公司 光子芯片、异构计算系统、精度调整方法及产品
CN122287740A (zh) * 2024-12-24 2026-06-26 清华大学 基于色散非线性的光学神经网络以及光学神经芯片

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109477938A (zh) * 2016-06-02 2019-03-15 麻省理工学院 用于光学神经网络的设备和方法
CN110505021A (zh) * 2019-08-26 2019-11-26 光子算数(北京)科技有限责任公司 一种光通信装置、光通信系统及光信号处理方法
CN110956259A (zh) * 2019-11-22 2020-04-03 联合微电子中心有限责任公司 一种基于正向传播的光子神经网络训练方法
WO2020102204A1 (en) * 2018-11-12 2020-05-22 Massachusetts Institute Of Technology Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1037415A1 (en) * 1999-03-16 2000-09-20 PIRELLI CAVI E SISTEMI S.p.A. Tunable optical filter
EP2312388A3 (en) * 2006-02-14 2011-07-13 Coveytech, LLC All-optical memory latch using nonlinear elements
US8078014B1 (en) * 2008-09-22 2011-12-13 Hrl Laboratories, Llc High-speed electro-optical modulator
US9335568B1 (en) * 2011-06-02 2016-05-10 Hrl Laboratories, Llc Electro-optic grating modulator
CN111095303B (zh) * 2017-07-11 2024-04-26 麻省理工学院 光学伊辛机器以及光学卷积神经网络
JP6833756B2 (ja) * 2018-04-13 2021-02-24 日本電信電話株式会社 光演算素子と多層ニューラルネットワーク
EP3791229A4 (en) * 2018-05-10 2022-01-19 The Board of Trustees of the Leland Stanford Junior University Systems and methods for activation functions for photonic neural networks
JP7744826B2 (ja) * 2018-06-05 2025-09-26 ライテリジェンス・プライベート・リミテッド 光電子コンピューティングシステム
CN109379138B (zh) * 2018-08-24 2021-07-13 中国电子科技集团公司第二十九研究所 基于光子神经网络的高线性微波光子链路实现方法及结构
CN110197277A (zh) * 2019-05-13 2019-09-03 浙江大学 实现数字识别的光学神经网络方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109477938A (zh) * 2016-06-02 2019-03-15 麻省理工学院 用于光学神经网络的设备和方法
WO2020102204A1 (en) * 2018-11-12 2020-05-22 Massachusetts Institute Of Technology Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out
CN110505021A (zh) * 2019-08-26 2019-11-26 光子算数(北京)科技有限责任公司 一种光通信装置、光通信系统及光信号处理方法
CN110956259A (zh) * 2019-11-22 2020-04-03 联合微电子中心有限责任公司 一种基于正向传播的光子神经网络训练方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHEN HONGWEI, YU ZHENMING;ZHANG TIAN;ZANG YUBIN;DAN YIHANG;XU KUN: "Advances and Challenges of Optical Neural Networks", CHINESE JOURNAL OF LASERS, vol. 47, no. 5, 31 May 2020 (2020-05-31), pages 80 - 91, XP055884932, DOI: 10.3788/CJL202047.0500004 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358270A (zh) * 2022-01-07 2022-04-15 南京鼎芯光电科技有限公司 一种多维复用技术的光子神经网络及实现方法
CN116258189A (zh) * 2023-03-15 2023-06-13 西安电子科技大学 一种交叉阵列的光子突触权重矩阵装置及其权重调整方法
CN120235205A (zh) * 2025-05-30 2025-07-01 苏州元脑智能科技有限公司 一种光电信号处理器件、光神经网络模型训练方法以及光计算设备
CN120745725A (zh) * 2025-06-23 2025-10-03 重庆邮电大学 基于线性系统的全光非线性神经网络系统

Also Published As

Publication number Publication date
JP7420356B2 (ja) 2024-01-23
CN113890620A (zh) 2022-01-04
JP2022542009A (ja) 2022-09-29
CN113890620B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN113890620B (zh) 基于可调谐滤波器的硅基片上光子神经网络及其调制方法
CN114358271B (zh) 一种时间-波长交织光子神经网络卷积加速芯片
Jia et al. WDM-compatible multimode optical switching system-on-chip
Shoman et al. Compact wavelength-and bandwidth-tunable microring modulator
CN104977733B (zh) 一种硅基非互易器件结构与电控非互易实现方法
CN105531946A (zh) 一种光差分信号的发送和接收方法、装置和系统
Han et al. Reconfigurable on-chip mode exchange for mode-division multiplexing optical networks
CN119717313B (zh) 一种可重构微波光子滤波器及滤波方法
JP2023526471A (ja) 光変調器及びその制御方法
CN115291333A (zh) 一种可重构的硅基多模微环谐振器
CN105425033A (zh) 一种包含双环耦合硅基光子芯片的微波光子频率测量系统
Liu et al. Ultrahigh extinction ratio silicon micro-ring modulator by MDM resonance for high speed PAM-4 and PAM-8 signaling
CN106842631B (zh) 一种可集成多功能光学调制器
Sun et al. MO detector (MOD): a dual-function optical modulator-detector for on-chip communication
CN117031630A (zh) 一种幺正光学路径模式转换器及转换方法
CN112327517B (zh) 窄带宽马赫曾德尔干涉仪及光谱整形装置、方法
CN222637901U (zh) 一种硅基大范围可调谐外腔激光器
Omirzakhov et al. Single chip 1 Tb/s optical transmitter with inverse designed input and output couplers
CN110779440B (zh) 一种基于马赫泽德干涉仪结构的偏振不敏感光开关
CN119172004A (zh) 信号处理系统、芯片及信号处理方法
CN117350346A (zh) 一种实现非线性激活的光子芯片计算单元及光子芯片
Roumpos et al. Temperature and wavelength drift tolerant WDM transmission and routing in on-chip silicon photonic interconnects
CN114624874A (zh) 基于芯片集成光路的光纤-空间光通信信号转换方法
CN115598871B (zh) 基于微环结构的硅基电光调制器及其调制方法
Hu et al. Eight-channel integrated device for electro-optic modulation and dense wavelength division multiplexing based on photonic crystals

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022501202

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20943402

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20943402

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20943402

Country of ref document: EP

Kind code of ref document: A1