基于光电计算单元的混合型神经网络及其运算方法技术

本发明专利技术公开了一种基于光电计算单元的混合型神经网络及其运算方法。该混合型神经网络的神经计算核结构包括突触网络、轴突、数据接收器、选择器、树突以及神经元，多个光电计算单元周期性排列组成的阵列作为突触网络，每个光电计算单元包括发光单元和计算单元，发光单元发出的光入射到计算单元中；每个计算单元包括载流子控制区、耦合区、以及光生载流子收集区和读出区；阵列中每一行计算单元的载流子控制区依次相连作为轴突，轴突中的载流子控制区与数据接收器相连；阵列中每一列计算单元的读出区依次相连作为树突，树突的读出区输出端与神经元相连接。本发明专利技术的神经网络在实际运行中无需反复访问片外存储器，达到了降低功耗的效果。

【技术实现步骤摘要】
基于光电计算单元的混合型神经网络及其运算方法
本专利技术涉及一种基于光电计算单元的混合型神经网络及其运算方法，属于计算领域和光电探测领域。
技术介绍
传统的计算机大多采取冯诺依曼架构，然而，因为冯诺依曼架构存储单元和运算单元的分立，导致了在数据传输上产生了极大的能量消耗，并且影响运算速度。光电计算单元为一种可以独立运算或者与目前电子计算技术相结合来进行运算的计算器件，其可以实现高精度的存算一体功能，单个器件即可存储光输入端的光信号并在断光后长时间保存，并且可以实现单个器件即完成乘法运算。这些特性使得光电计算单元不仅适用于传统的卷积神经网络，还适用于类脑的脉冲神经网络。现有的神经网络技术大多使用卷积或者循环类的深度神经网络，通过通用计算平台，如中央处理器、图形处理器等完成运算。卷积或者循环类深度神经网络权值参数大，计算复杂度高，需要大量地访问片外缓存读取权值来完成多次运算，这对传统计算系统的计算力有着较高要求。且由于反复访问片外缓存，大量能量损失在数据传输过程，导致其计算能效低，不能满足日益增长的应用需求。
技术实现思路
为了提高系统的计算性能，本专利技术提供一种基于光电计算单元的混合型神经网络，以及该混合型神经网络的运算方法。本专利技术神经网络采用的技术方案如下：基于光电计算单元的混合型神经网络，包括神经计算核结构，神经计算核结构包括突触网络、轴突、数据接收器、选择器、树突以及神经元，将多个光电计算单元周期性排列组成的阵列作为突触网络，每个光电计算单元包括发光单元和计算单元，发光单元发出的光入射到计算单元中；每个计算单元包括载流子控制区、耦合区、以及光生载流子收集区和读出区；阵列中每一行计算单元的载流子控制区依次相连作为轴突，并且每一行的载流子控制区连接一个第一选择器，所有第一选择器与数据接收器相连；阵列中每一列计算单元的载流子读出区依次相连作为树突，并且每一列载流子读出区连接一个神经元；单个神经元包括模数转换器、加法器、第二选择器、激活函数和阈值比较器；模数转换器的输入端连接计算单元的载流子读出区输出端，其输出端连接加法器的输入端；加法器的输出端分别与激活函数和阈值比较器的输入端相连接；激活函数和阈值比较器的输出端则与第二选择器相连接第二选择器分类输出结果。进一步地，所述神经网络还包括第三选择器，第三选择器的输入端分别与激活函数和阈值比较器连接，第三选择器的输出端连接所述加法器。本专利技术基于光电计算单元的混合型神经网络的运算方法，具体步骤包括：发光单元在驱动器的驱动下，将神经计算核结构的权重值输入突触网络中并保存；数据接收器接收来自并缓存来自外部的多位值精确信息或二进制脉冲序列，在接收到电流信息的同步控制信号之后，将缓存的电流信息通过轴突传递到每一行的第一选择器进行数据类型筛选，并将筛选后的电流信息给入相应的计算单元的载流子控制区；将载流子控制区接收到的电流信息与突触网络中存储的权重值进行乘法运算，每个计算单元的计算结果通过树突相连，从而对每一列计算单元的读出区输出端的电流进行汇聚，并输出给神经元；神经元将汇聚后的电流信号进行模数转换形成数字信号，并不断对输入的脉冲激励产生的计算电流转换后的数字信号结果进行累加，然后对累加结果进行加偏置与激活，或者将累加结果带入到阈值比较器的模型函数中，判断是否产生输出脉冲信号。本专利技术充分利用光电计算单元的存算一体的特性，将混合型神经网络中的权值参数通过光输入到阵列中保存以模拟人脑中的连接权重，利用单器件的特性完成乘法运算并用多路选择器来控制执行显式算法或是模拟大脑皮层，从而组成了一种类计算机科学与类神经科学混合的神经网络。由于光电存算一体器件集存储和运算一体，本专利技术的神经网络在实际运行中无需反复访问片外存储器，可以极大降低功耗，提高运算效率，相对现有的深度神经网络有着很大的优势。附图说明图1为计算单元的多功能区框图。图2为n*n的基于光电计算单元的混合型神经网络计算核结构示意图。图3为基于光电计算单元的混合型神经网络的应用系统示意图。图4为基于光电计算单元的混合型神经网络的应用流程示意图。具体实施方式本专利技术光电计算单元包括发光单元和计算单元，发光单元发出的光入射到计算单元中。每个计算单元为包括三大功能区的多功能区结构，如图1所示，三大功能区为：载流子控制区、耦合区、光生载流子收集区和读出区。其中，载流子控制区用于控制并调制光生载流子收集区和读出区内的载流子；光生载流子收集区和读出区中的收集区用于吸收发光单元发射的光子并收集产生的光生载流子；载流子控制区或者光生载流子收集区和读出区中的读出区与电信号连接，读出区用于输出被光生载流子和电信号作用后的载流子；耦合区连接收集区和读出区。计算单元的具体结构可使用专利申请CN201910415827.1中实施例1-3的结构。实施例1本实施例使用多个发光单元和计算单元结构组成n*n的光电计算阵列，形成神经计算核结构，组成混合型神经网络，兼容卷积神经网络、循环神经网络等能够处理多位值精确信息的算法以及脉冲神经网络等能够处理二进制脉冲序列的算法。如附图2所示，图中的方块Wij代表光电计算单元，其具体数值代表了存储在该光电计算单元中权值大小，光电计算阵列模拟人脑中的神经突触网络，接收光信号传输的权值信息并储存，储存完毕后接收到数据信号时完成相应的运算。将多个光电计算单元周期性排列组成的阵列作为突触网络；阵列中每一行计算单元的载流子控制区依次相连作为轴突，相连的控制区连接一个选择器，所有选择器与数据接收器相连，数据接收器接收外部电流信息。阵列中每一列计算单元的载流子读出区依次相连作为树突，相连的载流子读出区连接一个神经元；单个神经元中模数转换器的输入端连接着计算单元的载流子读出区输出端，其输出端连接着加法器的一个输入端；加法器的输出端分别与激活函数和阈值比较器的输入端相连接；激活函数或阈值比较器的输出端则与结果输出部分的选择器相连接；神经元甄别相应算法后通过结果输出部分的选择器分类输出结果。其中，计算过程中亦使用多路选择器，在加法器和激活函数、阈值比较器之间的选择器输入端连接着激活函数偏置信息以及阈值比较器，选择器的输出端连接加法器，神经元可以根据当前网络算法类型选择相应数据进行累加运算。轴突通过神经计算核中的数据接收器接收神经网络中的数据激励信号。缓存的电流信息通过轴突传递到每一行的选择器进行数据类型的筛选。树突将汇聚后的电流传递给神经元。神经元将汇聚后的电流信号进行模数转换形成数字信号，并不断对输入的脉冲激励产生的计算电流转换后的数字信号结果进行累加，若为卷积神经网络、循环神经网络等的多位值精确信息，则对累加结果进行加偏置与激活函数等操作，若为脉冲神经网络等的二进制脉冲序列，则将累加的结果带入到由数字逻辑组成的阈值比较器模型函数中，判断是否产生输出脉冲信号。若选择器筛选出的缓存电流信息是卷积神经网络、循环神经网络等的多位值精确信息，其中神经元的模型可以是如下公式所述：式中，Ii本文档来自技高网...

【技术保护点】
1.基于光电计算单元的混合型神经网络，包括神经计算核结构，神经计算核结构包括突触网络、轴突、数据接收器、选择器、树突以及神经元，其特征在于，/n将多个光电计算单元周期性排列组成的阵列作为突触网络，每个光电计算单元包括发光单元和计算单元，发光单元发出的光入射到计算单元中；每个计算单元包括载流子控制区、耦合区、以及光生载流子收集区和读出区；阵列中每一行计算单元的载流子控制区依次相连作为轴突，并且每一行的载流子控制区连接一个第一选择器，所有第一选择器与数据接收器相连；阵列中每一列计算单元的载流子读出区依次相连作为树突，并且每一列载流子读出区连接一个神经元；单个神经元包括模数转换器、加法器、第二选择器、激活函数和阈值比较器；模数转换器的输入端连接计算单元的载流子读出区输出端，其输出端连接加法器的输入端；加法器的输出端分别与激活函数和阈值比较器的输入端相连接；激活函数和阈值比较器的输出端则与第二选择器相连接，第二选择器分类输出结果。/n

【技术特征摘要】
1.基于光电计算单元的混合型神经网络，包括神经计算核结构，神经计算核结构包括突触网络、轴突、数据接收器、选择器、树突以及神经元，其特征在于，
将多个光电计算单元周期性排列组成的阵列作为突触网络，每个光电计算单元包括发光单元和计算单元，发光单元发出的光入射到计算单元中；每个计算单元包括载流子控制区、耦合区、以及光生载流子收集区和读出区；阵列中每一行计算单元的载流子控制区依次相连作为轴突，并且每一行的载流子控制区连接一个第一选择器，所有第一选择器与数据接收器相连；阵列中每一列计算单元的载流子读出区依次相连作为树突，并且每一列载流子读出区连接一个神经元；单个神经元包括模数转换器、加法器、第二选择器、激活函数和阈值比较器；模数转换器的输入端连接计算单元的载流子读出区输出端，其输出端连接加法器的输入端；加法器的输出端分别与激活函数和阈值比较器的输入端相连接；激活函数和阈值比较器的输出端则与第二选择器相连接，第二选择器分类输出结果。


2.根据权利要求1所述的基于光电计算单元的混合型神经网络，其特征在于，所述...

【专利技术属性】
技术研发人员：王瑶，梅正宇，王宇宣，陈轩，
申请(专利权)人：南京惟心光电系统有限公司，
类型：发明
国别省市：江苏;32