一种基于多模干涉效应的片上光神经网络结构制造技术

本发明专利技术提供一种基于多模干涉效应的片上光神经网络结构，包括：至少两层重复组成的神经网络层结构(4)，每层神经网络层结构(4)包括：一个片上多模干涉器(2)，至少两个光波导(3)，每个光波导(3)上设有一个片上移相器(1)；片上多模干涉器(2)与每个光波导(3)连接；待识别信号被调制到不同光波导(3)中光载波上，片上移相器(1)用于调节光载波的权重，片上多模干涉器(2)用于实现不同光波导(3)中光载波能量的交换，通过至少两层神经网络层结构(4)的传播，不同的光波导(3)输出不同的光强，实现对信号的识别。本发明专利技术能够在片上实现对数据进行识别，该过程为全光过程，可以极大降低深度学习前向传播所需的能量。

【技术实现步骤摘要】
一种基于多模干涉效应的片上光神经网络结构
本专利技术涉及人工智能
，具体涉及一种基于多模干涉效应的片上光神经网络结构。
技术介绍
光子神经网络是当前人工智能领域的研究热点。光子神经网络系统既具有分布式计算架构模拟人脑的运算方式，相比于传统的电子计算机具有低功耗、容错性和深度学习能力，又将光子模拟信号处理技术的高速率、大带宽以及并行计算的特点与神经网络处理技术相融合，有望大幅提升人工智能系统的性能。全光计算的计算能力领先电子计算芯片五个数量级左右，所以光神经网络的优越性无可比拟。过去20年里，国外研究人员提出了多种光神经网络结构。在2017年，麻省理工学院的研究团队利用了基于马赫曾德干涉仪阵列的结构实现了神经网络层与层之间的连接，并且通过热移相器来控制权重。此外，他们还利用计算机仿真了非线性单元。最终，这种基于马赫曾德干涉结构的片上光子神经网络实现了对四个元音语音信号的76.7％的识别率。除了这种结构的光神经网络外，明斯特大学的研究团队在2019年展示了一种基于波分复用技术的片上光神经网络。该方案采用了大量的片上微环来实现神经元之间的连接。其权重的调整依赖于相变材料的使用，明斯特大学的研究团队在波导中集成了相变材料，可以通过光脉冲来调整每个神经元的权重。上述两种光子神经网络芯片的尺寸在625～20000平方微米之间。此外维持热调电极的功耗在10毫瓦左右，但是如果采用相移材料来进行权重调整，则无需额外的功率来维持权重。值得一提的是，在基于波分复用技术的光子神经网络中，因为采用了相移材料，所以该方案可以在硬件上实现非线性单元，不需要使用计算机来模拟非线性单元。非线性单元的光学实现使得该光子神经网络的性能大大提升。根据其刊发的论文，该方案仅需一层神经网络结构就可以实现对四个字母的识别。上述的片上光神经网络存在着一个弊端，所使用的器件数量巨大，例如基于MZI的光神经网络所使用的器件为56个MZI和213个相移器，基于片上微环结构的光神经网络所需的器件为121个微环，如此大型的阵列对工艺不友好，且难以保证良率以及难以进行测试，所以有必要研究一种紧凑，简洁的片上光子结构来实现神经网络，若成功实现，有望大大提升神经网络的性能和实用性。
技术实现思路
(一)要解决的技术问题针对上述问题，本专利技术提供了一种基于多模干涉效应的片上光神经网络结构，用于至少部分解决传统片上光神经网络结构器件数量巨大、对工艺不友好等技术问题。(二)技术方案本专利技术提供了一种基于多模干涉效应的片上光神经网络结构，包括：至少两层重复组成的神经网络层结构，每层神经网络层结构包括：一个片上多模干涉器，至少两个光波导，每个光波导上设有一个片上移相器；片上多模干涉器与每个光波导连接；待识别信号被调制到不同光波导中光载波上，片上移相器用于调节光载波的权重，片上多模干涉器用于实现不同光波导中光载波能量的交换，通过至少两层神经网络层结构的传播，不同的光波导输出不同的光强，实现对信号的识别。进一步地，还包括：每个片上移相器和片上多模干涉器之间设有非线性单元。进一步地，光波导中的光为相干光，通过单模激光器产生的连续光经由分束后产生。进一步地，光相位的调制通过神经网络建模、训练后得到。进一步地，对信号的识别包括以具有最高光强度的光波导的输出代表不同的判定结果。进一步地，片上多模干涉器的长度满足自再现效应的条件。进一步地，片上移相器的调节范围至少为2π。进一步地，片上光神经网络结构包括三层神经网络层结构，3个片上多模干涉器、12个片上移相器。进一步地，待识别信号被调制到不同光波导3中光载波上包括待识别信号通过不同通道上的强度调制器或者相位调制器调制到不同通道的光强度或相位上。进一步地，强度调制器或者相位调制器为具有高速信号调制能力的调制器，包括片上器件、分离器件。(三)有益效果本专利技术实施例提供的一种基于多模干涉效应的片上光神经网络结构，利用片上多模干涉效应来连接光神经元和每个通道的移相器来调节权重，以实现对不同输入信号的判别。该技术可以以一种十分简洁的方式实现片上光神经网络，所需器件数量对比现有方案大大降低，对比现有片上光神经网络技术，其大大减少了所需的器件数量。附图说明图1示意性示出了根据本专利技术实施例一种基于多模干涉效应的片上光神经网络的结构示意图；图2示意性示出了根据本专利技术实施例中不同输入信号的光强；图3示意性示出了根据本专利技术实施例中不同输入在该光神经网络技术处理之后得到的识别结果；附图标记说明：1-片上移相器；2-片上多模干涉器；3-光波导；4-神经网络层结构。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。本公开的实施例提供了一种基于多模干涉效应的片上光神经网络结构，请参见图1，包括：至少两层重复组成的神经网络层结构4，每层神经网络层结构4包括：一个片上多模干涉器2，至少两个光波导3，每个光波导3上设有一个片上移相器1；片上多模干涉器2与每个光波导3连接；待识别信号被调制到不同光波导3中光载波上，片上移相器1用于调节光载波的权重，片上多模干涉器2用于实现不同光波导3中光载波能量的交换，通过至少两层神经网络层结构4的传播，不同的光波导3输出不同的光强，实现对信号的识别。对于该片上光神经网络包括片上移相器1、片上多模干涉器2、光波导3以及若干个重复的1-3组成的神经网络层结构4；这里片上移相器1用于调节权重、片上多模干涉器2用于连接光神经元、光波导3用于连接不同器件。待判别的事件或数据被转移到不同通道的光载波上，不同通道即代表着不同的光神经元，这些光神经元通过片上多模干涉器2实现能量的交换。在多模干涉器的长度满足自再现效应的条件时，多模干涉器的每一个输出都是所有多模干涉器的所有输入的线性叠加。每一层光神经网络结构4都包括一个多模干涉器2，通过每层的多模干涉器2，光神经元所携带的信息可以传导至下一层，并且实现了神经元之间的连接。神经元中权重的实现是通过每一层神经网络层结构4上不同通道上的移相器1来实现的。理论上，权重的调节可以是“复数”形式的，即可以是相位调制、强度调制或者强度调制和相位调制的结合。这里我们采用的是相位调制。通过对每一路相干光的相位的调制，结合多模干涉器的线性叠加的传播函数，可以达到控制多模干涉器的输出的效果。每一层的输出都可以通过改变移相器的相位来实现一个特殊的映射，通过层层传播，最终可以在不同的输出波导得到不同的光强。还需说明的是，该神经网络的层数与多模干涉器2的个数相等；移相器1的个数与网络层数的比值为通道数目。通常来说层数增加可以提高识别能力和准确率。这里，多模干涉器只需要一个就可以实现多个通道光场的互相叠加，而MZI或微环阵列需要多个级联才能实现不同通道能量的交换和叠加。对比传统片上光神经网络方案，本方案中多模干涉器的使用使得该片上光神经网络方案变得十分精本文档来自技高网...

【技术保护点】
1.一种基于多模干涉效应的片上光神经网络结构，其特征在于，包括：/n至少两层重复组成的神经网络层结构(4)，每层神经网络层结构(4)包括：一个片上多模干涉器(2)，至少两个光波导(3)，每个光波导(3)上设有一个片上移相器(1)；所述片上多模干涉器(2)与每个光波导(3)连接；/n待识别信号被调制到不同光波导(3)中光载波上，所述片上移相器(1)用于调节所述光载波的权重，所述片上多模干涉器(2)用于实现不同光波导(3)中所述光载波能量的交换，通过所述至少两层神经网络层结构(4)的传播，不同的光波导(3)输出不同的光强，实现对信号的识别。/n

【技术特征摘要】
1.一种基于多模干涉效应的片上光神经网络结构，其特征在于，包括：
至少两层重复组成的神经网络层结构(4)，每层神经网络层结构(4)包括：一个片上多模干涉器(2)，至少两个光波导(3)，每个光波导(3)上设有一个片上移相器(1)；所述片上多模干涉器(2)与每个光波导(3)连接；
待识别信号被调制到不同光波导(3)中光载波上，所述片上移相器(1)用于调节所述光载波的权重，所述片上多模干涉器(2)用于实现不同光波导(3)中所述光载波能量的交换，通过所述至少两层神经网络层结构(4)的传播，不同的光波导(3)输出不同的光强，实现对信号的识别。


2.根据权利要求1所述的基于多模干涉效应的片上光神经网络结构，其特征在于，还包括：每个片上移相器(1)和所述片上多模干涉器(2)之间设有非线性单元。


3.根据权利要求1所述的基于多模干涉效应的片上光神经网络结构，其特征在于，所述光波导(3)中的光为相干光，通过单模激光器产生的连续光经由分束后产生。


4.根据权利要求3所述的基于多模干涉效应的片上光神经网络结构，其特征在于，所述光相位的调制通过神经网络建模、训练后得到。

【专利技术属性】
技术研发人员：李明，林志星，刘大鹏，
申请(专利权)人：中国科学院半导体研究所，
类型：发明
国别省市：北京;11