一种多维复用技术的光子神经网络及实现方法技术

本发明专利技术涉及光子神经网络技术领域，公开了一种多维复用技术的光子神经网络及实现方法，包括如下步骤：激光器产生脉冲光，输入到多维复用模块中，经过模式、纤芯和波长的复用后，光脉冲由于色散效应在时间上得到展宽，再通过解复用器后传递至光子神经网络中，光子神经网络先完成矩阵的乘法运算，接着完成神经网络的求和运算，经过运算后的光最后由光电二极管接收；通过引入模式、纤芯空间维度，为光子神经网络提供更多的空间自由度，使得光子神经网络中神经元之间的串行计算转变为并行计算，大幅提高光子神经网络的运行速度，减少系统的硬件需求，进而减少系统的体积，提升系统的整体稳定性，能够实现对手写数字识别等数据集以实现图片的分类任务。片的分类任务。片的分类任务。

【技术实现步骤摘要】
一种多维复用技术的光子神经网络及实现方法


[0001]本专利技术涉及光子神经网络
，具体涉及一种多维复用技术的光子神经网络及实现方法。

技术介绍

[0002]现有的电神经网络的运算速度受到电设备瓶颈的限制，电神经网络的大部分功率用于处理单元和内存模块之间的数据传递，功率效率相对较低。随着神经网络规模的扩大，迫切需要大带宽的电子设备加快信号的传输速率。然而，这些电设备难以制造。在光子神经网络中，光子代替电子作为信号传输的载体，无需额外使用功率在内存模块和计算单元之间传输信息，因此光子神经网络的功率效率明显高于电神经网络。同时，现有的高速光纤通信技术也支持信息在光子神经网络的不同网络层之间高速传输，从而实现光子神经网络的高速运算。
[0003]但现有的光子神经网络的以串行计算为主，构建规模小，运行速度慢，对硬件需求较高。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的在于提供一种多维复用技术的光子神经网络及实现方法。
[0005]为了实现上述目的，本专利技术提供如下技术方案：
[0006]一种多维复用技术的光子神经网络的实现方法，包括如下步骤：激光器产生脉冲光，输入到多维复用模块中，先经过纤芯、模式和波长的复用后，光脉冲由于色散效应在时间上得到展宽，再通过解复用器后传递至光子神经网络中，光子神经网络先完成矩阵的乘法运算，接着完成神经网络的非线性运算，经过运算后的光最后由光电二极管接收。
[0007]在本专利技术中，优选的，利用在980nm波段工作的光源作为泵浦，通过被动锁模产生超短的光脉冲，各光电器件容易接收其产生的光。
[0008]在本专利技术中，优选的，基于科研二维材料MoSe2的饱和吸收体产生强度相关损耗，从而产生脉冲宽度在皮秒和飞秒量级的窄化脉冲。
[0009]在本专利技术中，优选的，由多芯少模光纤对复用后的光进行并行传输，并为光子神经网络提供模式和纤芯两个空间维度，同时光纤中的色散效应使得光脉冲在时间上得到展宽。
[0010]在本专利技术中，优选的，光子神经网络的矩阵乘法运算是由两个波形发生器和两个强度调制器实现的，波形发生器用来产生任意序列的电信号，产生的电信号通过强度调制器调制到光脉冲上。
[0011]在本专利技术中，优选的，神经网络的非线性运算由非线性激活单元进行，非线性激活单元中的非线性激活函数由可饱和吸收体提供，可饱和吸收体具有强度相关的损耗特性。
[0012]在本专利技术中，优选的，通过解复用器的光经过两个电光调制器分别实现X和W的调
制，其中X代表光子神经网络的输入数据，W代表神经网络的权重矩阵。
[0013]在本专利技术中，优选的，光子神经网络中的强度调制器起到矩阵乘法的作用，得到输出Z
i
＝W
i
·
X
i
，调制后的光再通过光学非线性激活单元，获得第i层的输出X
(i+1)
＝f
NL
(W
i
·
X
i
)，其中f
NL
(
·
)代表光学非线性激活函数的运算。
[0014]在本专利技术中，优选的，光子神经网络的各个神经网络层之间是由loop环连接，第i层的输出经由loop环用作第i+1层的输入，所有层运算结束后，光信号由光电探测器接收，更新梯度后用于下一次网络的前向运算。
[0015]一种多维复用技术的光子神经网络，包括激光器、多维复用模块、神经网络模块、光电探测器，其中激光器用于生成并发送超短波光脉冲到多为复用模块，
[0016]多维复用模块包括若干复用器、一个多芯少模光纤和若干解复用器，复用器用于实现波长、模式、纤芯的复用，多芯少模光纤提供模式和纤芯两个并行运算的维度，扩大光子神经网络的规模，同时色散将光脉冲展宽，解复用器对信号进行解复用；
[0017]神经网络模块包括神经网络层、光电调制器、可饱和吸收体、强度调制器和非线性激活单元，光电调制器对多维复用模块输入的信号分别进行X和W的调制，其中X代表光子神经网络的输入数据，W代表神经网络的权重矩阵，强度调制器和非线性激活单元设置在神经网络层中，进行矩阵乘法的运算，得到输出Z
i
＝W
i
·
X
i
，非线性激活单元对其运算，获得该神经网络层的输出X
(i+1)
＝f
NL
(W
i
·
X
i
)，可饱和吸收体为非线性激活单元提供非线性激活函数，通过若干神经网络层的迭代运算，输出一分类结果。
[0018]与现有技术相比，本专利技术的有益效果是：
[0019]本专利技术的方法通过引入模式、纤芯空间维度，为光子神经网络提供更多的空间自由度，使得光子神经网络中神经元之间的串行计算转变为并行计算，大幅提高光子神经网络的运行速度，减少系统的硬件需求，进而减少系统的体积，提升系统的整体稳定性，能够实现对手写数字识别等数据集以实现图片的分类任务。
附图说明
[0020]图1为本专利技术所述的一种多维复用技术的光子神经网络的结构示意图。
[0021]图2为本专利技术所述的一种多维复用技术的光子神经网络的多维复用模块的结构示意图。
[0022]图3为本专利技术所述的一种多维复用技术的光子神经网络的手写数字识别数据集输入运算示意图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它
可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0025]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0026]请参见图1，本专利技术一较佳实施方式提供一种多维复用技术的光子神经网络的实现方法，通过引入更多的空间维度(模式、纤芯)，为光子神经网络提供更多的空间自由度，使得光子神经网络中神经元之间的串行计算转变为并行计算，大幅提高光子神经网络的运行速度，减少系统的硬件需求，进而减少系统的体积，提升系统的整体稳定性，包括如下步骤：利用激光器产生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多维复用技术的光子神经网络的实现方法，其特征在于，包括如下步骤：激光器产生脉冲光，输入到多维复用模块中，经过模式、纤芯和波长的复用后，光脉冲由于色散效应在时间上得到展宽，再通过解复用器后传递至光子神经网络中，光子神经网络先完成矩阵的乘法运算，接着完成神经网络的求和运算，经过运算后的光最后由光电二极管接收。2.根据权利要求1所述的一种多维复用技术的光子神经网络的实现方法，其特征在于，利用在980nm波段工作的光源作为泵浦，通过被动锁模产生超短的光脉冲，使得各光电器件容易接收其产生的光。3.根据权利要求2所述的一种多维复用技术的光子神经网络的实现方法，其特征在于，基于科研二维材料MoSe2的饱和吸收体产生强度相关损耗，从而产生脉冲宽度在皮秒和飞秒量级的窄化脉冲。4.根据权利要求3所述的一种多维复用技术的光子神经网络的实现方法，其特征在于，由多芯少模光纤对复用后的光进行并行传输，并为光子神经网络提供模式和纤芯两个空间维度，同时光纤中的色散效应使得光脉冲在时间上得到展宽。5.根据权利要求1所述的一种多维复用技术的光子神经网络的实现方法，其特征在于，光子神经网络的矩阵乘法运算是由两个波形发生器和两个强度调制器实现的，波形发生器用来产生任意序列的电信号，产生的电信号通过强度调制器调制到光脉冲上。6.根据权利要求5所述的一种多维复用技术的光子神经网络的实现方法，其特征在于，神经网络的非线性运算由非线性激活单元进行，非线性激活单元中的非线性激活函数由可饱和吸收体提供，可饱和吸收体具有强度相关的损耗特性。7.根据权利要求6所述的一种多维复用技术的光子神经网络的实现方法，其特征在于，通过解复用器的光经过两个电光调制器分别实现X和W的调制，其中X代表光子神经网络的输入数据，W代表神经网络的权重矩阵。8.根据权利要求7所述的一种多维复用技术的光子神经网络的实现方法，其特征在于，光子神经网络中的强度调制器起到矩阵乘法的作用，得到输出Z
i
＝W
i
·
X
i
，...

【专利技术属性】
技术研发人员：赵健，华平壤，
申请(专利权)人：南京鼎芯光电科技有限公司，
类型：发明
国别省市：