一种用于权连接光神经网络的随机光栅设计方法技术

本发明专利技术针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发。该方法的目标光源为10.6μm二氧化碳激光器，单神经元尺寸为5μm X 5μm，采用红外碲镉汞光伏探测器，单芯片尺寸降至1cmX1cm(数据区为：1mmX1mm)。

【技术实现步骤摘要】
一种用于权连接光神经网络的随机光栅设计方法
本专利技术属于深度学习和微纳光学交叉领域，特别涉及一种用于权连接光神经网络的随机光栅设计方法。
技术介绍
人工智能技术是当前学术界和产业界的研究热点，作为人工智能的核心算法及技术，深度学习神经网络(DLNN，deeplearningneuralnetwork)及专用集成电路芯片(ASIC，applicationspecificintegratedcircuit)是制约人工智能技术飞速发展的关键因素之一。传统的深度学习及芯片，利用计算机的CPU、GPU或FPGA等实现多层人工神经网络，对数据进行提取和学习，已经广泛应用于医学图像分析，语音识别、翻译，图像分类等诸多方面。但是随着摩尔定律(Moore’slaw)的发展放缓，传统的基于COMS工艺的用于深度学习的ASIC芯片在其电子架构、功耗、处理速度等方面的局限越来越明显。长期以来，光互连技术一直被认为是人工神经网络结构的潜在媒介。相对于基于电子互联的传统ASIC芯片，基于光互联的光神经网络芯片因其具有类似神经元的并行处理及通信性能以及高速、低功耗、抗串扰能力强等优点而吸引了越来越多的研究者的目光。2017年，麻省理工学院的DavidChandler等人利用阵列光波导结构设计实现了一款用于深度学习的可编程光子处理器，对四个基本元音的识别准确率达到了77％；2018年，加利福尼亚大学的LinXing等人用3D打印技术设计实现了基于衍射效应的全光互连神经网络(单神经元尺寸300μm或400μm，工作波长为0.4THz)，对10000个手写数字的识别准确率达到了90％以上。
技术实现思路
本专利技术的目的在于克服现有技术的缺点，提供一种用于权连接光神经网络的随机光栅设计方法，本专利技术针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发，增加装置的适用性。为解决上述技术问题，本专利技术采用的技术方案是：一种用于权连接光神经网络的随机光栅设计方法，所述方法包括以下步骤：步骤a、制备衍射光栅；步骤a1、计算衍射光栅的相位梯度；步骤a2、掩膜设计：采用半导体锗材料作为基底，对所述基底进行两次次刻蚀形成掩膜版；步骤a3、利用CMOS工艺制备衍射光栅；步骤b、通过制备的所述衍射光栅进入全连接光神经网络进行识别。优选的，所述衍射光栅的相位梯度由下列公式计算：其中，式(1)表示为光学模式；式(2)表示为输出函数公式。优选的，利用CMOS工艺制备衍射光栅包括以下步骤：步骤①、对锗片上表面进行涂胶；步骤②、将所述掩膜版放置在涂胶后的所述锗片上方进行曝光；对曝光后的所述锗片依次经过显影和ICP刻蚀；步骤③、经过刻蚀后的所述锗片进行去胶，形成衍射光栅。优选地，所述基底折射率为4.003；单片神经元数目为200X200，单神经元尺寸5μmX5μm。优选的，采用python(3.6.0)和google公司的TensorFlow框架(1.1.0)计算所述衍射光栅的相位梯度。与现有技术相比，本专利技术的有益效果在于：本专利技术针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发。应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本专利技术所要求保护内容的限制。附图说明参考随附的附图，本专利技术更多的目的、功能和优点将通过本专利技术实施方式的如下描述得以阐明，其中：图1所示为基于瑞利索末菲衍射效应的全连接光神经网络结构和原理图，a示意出了结合和数字分类，b示意出了衍射全连接神经网络，c示意出了0-9数字表，d示意出了手写数字7；图2示意性示出了本专利技术衍射光栅制备流程图；图3示意性示出了本专利技术掩膜版结构示意图；图4示意性示出了本专利技术采用CMOS工艺制备衍射光栅流程示意图；图5示意性示出了本专利技术随机光栅结构图和扫描电镜示意图。图中：1、锗片2、掩膜版具体实施方式通过参考示范性实施例，本专利技术的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本专利技术并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本专利技术的具体细节。在下文中，将参考附图描述本专利技术的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。本专利技术针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发。该方法的目标光源为10.6μm二氧化碳激光器，单神经元尺寸为5μmX5μm，采用红外碲镉汞光伏探测器，单芯片尺寸降至1cmX1cm(数据区为：1mmX1mm)。图1中a和b所示为基于瑞利索末菲衍射效应的全连接光神经网络结构和原理图。本专利技术设计的全连接光神经网络所需衍射光栅采用如图2的流程设计和制备：(1)计算仿真：采用python(3.6.0)和google公司的TensorFlow框架(1.1.0)根据如下公式计算衍射光栅的相位梯度。公式(1)和(2)分别为光学模式以及输出函数公式。(2)掩膜设计：本专利技术采用10.6μm二氧化碳激光器，根据材料属性，选择半导体锗材料作为本专利技术的基底(折射率4.003)，单片神经元数目为200X200，单神经元尺寸5μmX5μm，本专利技术涉及的掩膜版2如图3所示。(3)CMOS工艺：图4示意性示出了本专利技术采用CMOS工艺制备衍射光栅流程示意图，步骤c1、对锗片1上表面进行涂胶；步骤c2、将所述掩膜版2放置在涂胶后的所述锗片1上方进行曝光；对曝光后的所述锗片1依次经过显影和ICP刻蚀；步骤c4、经过刻蚀后的所述锗片1进行去胶，形成衍射光栅。本专利技术制备的随机光栅局部结构图和扫描电镜示意图如图5所示。经分析得：(1)两次刻蚀所得到的台阶梯度理论值分别为：0,0.88μm，1.76μm以及3.5μm，分别调制相位：0，π/2,3π/2以及2π；但由于工艺稳定性和交叉污染等原因，导致得到的台阶梯度有约0.1μm的误差，这在一定程度上影响全连接光神经网络的识别准确率；(2)本专利技术采用的为4寸<100>双抛锗片，镜面反射强度很高，为了增强随机光栅的透过率，需要对光栅进行镀膜处理。本专利技术的有益效果：本专利技术针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发。结合这里披露的本专利技术的说明和实践，本专利技术的其他实施例对本文档来自技高网...

【技术保护点】
1.一种用于权连接光神经网络的随机光栅设计方法，其特征在于，所述方法包括以下步骤：/n步骤a、制备衍射光栅；/n步骤a1、计算衍射光栅的相位梯度；步骤a2、掩膜设计：采用半导体锗材料作为基底，对所述基底进行两次次刻蚀形成掩膜版；步骤a3、利用CMOS工艺制备衍射光栅；/n步骤b、通过制备的所述衍射光栅进入全连接光神经网络进行识别。/n

【技术特征摘要】
1.一种用于权连接光神经网络的随机光栅设计方法，其特征在于，所述方法包括以下步骤：
步骤a、制备衍射光栅；
步骤a1、计算衍射光栅的相位梯度；步骤a2、掩膜设计：采用半导体锗材料作为基底，对所述基底进行两次次刻蚀形成掩膜版；步骤a3、利用CMOS工艺制备衍射光栅；
步骤b、通过制备的所述衍射光栅进入全连接光神经网络进行识别。


2.根据权利要求1所述的设计方法，其特征在于，所述衍射光栅的相位梯度由下列公式计算：






其中，式(1)表示为光学模式；式(2)表示为输出函数公式。


3.根据权利...

【专利技术属性】
技术研发人员：祝连庆，于明鑫，辛璟焘，鹿利单，庄炜，陈恺，何巍，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京;11