高效率光学神经网络制造技术

本公开涉及高效率光学神经网络。本公开描述了用于具有光学矩阵乘法器和光学非线性函数的层的光学神经网络(ONN)的技术和配置。这些技术提供了可编程的矩阵乘法器，允许了根据需要对矩阵的一部分进行划分使用，实现了计算效率。这些技术允许多遍通过同一光子集成电路(PIC)芯片上的同一光学矩阵管芯，以及连接ONN的多层并且依次通过它们。这些技术还提供了将ONN缩放到不同的大小。可描述和要求保护额外的实施例。的实施例。的实施例。

【技术实现步骤摘要】
高效率光学神经网络


[0001]本公开的实施例概括而言涉及光电子和光学神经网络处理器的领域，更具体而言涉及用于光学神经网络的矩阵乘法器的技术和配置。

技术介绍

[0002]机器学习体系结构通常基于人工神经网络(artificial neural network， ANN)。光学神经网络(optical neural network，ONN)是使用光学组件作为构建块的ANN的物理实现。光学神经网络的基本构建块通常包括相互连接的马赫
‑
曾德尔干涉仪(Mach
‑
Zehnder interferometer，MZI)，其对光学信号的阵列执行幺正变换(unitary transformation)。ONN已被提出来用于矩阵乘法中，因为其能够控制利用光学器件的高速、低能量数据路由能力。然而，对可重配置体系结构中的神经元的数目进行扩展对于ONN来说仍然是一个挑战。

技术实现思路

[0003]根据本公开的一方面，提供一种用于光学神经网络ONN的装置，该装置包括ONN的至少一层，所述至少一层包括：在半导体衬底中提供的光学矩阵乘法器，用以将多个光学信号输入线性地变换为多个光学信号输出，其中光学矩阵乘法器包括一个或多个2
×
2幺正光学矩阵，2
×
2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及与半导体衬底中的光学矩阵乘法器耦合的非线性光学器件，用以提供光学输出，该光学输出是响应于光学矩阵乘法器的光学信号输出达到饱和而以非线性方式生成的，其中所述至少一层是可编程的，从而使得所述层的一部分将至少部分地基于与由ONN进行的计算相对应的每功率消耗单位每时间单位的运算的目标值而被用于所述计算中。
[0004]根据本公开的另一方面，提供一种光学神经网络ONN集成电路IC，包括：光源的阵列，用以生成多个光学信号输入；与光源耦合的光学矩阵乘法器，用以将多个光学信号输入线性地变换为多个光学信号输出，其中光学矩阵乘法器包括一个或多个2
×
2幺正光学矩阵，2
×
2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及非线性光学器件，其与光学矩阵乘法器耦合，用以提供光学输出，该光学输出是响应于光学矩阵乘法器的光学信号输出达到饱和而以非线性方式生成的，其中光学矩阵乘法器的至少一部分将至少部分地基于与计算相对应的每功率消耗单位每时间单位的运算的目标值而被用于所述计算中。
[0005]根据本公开的又一方面，提供一种用于结合光学神经网络ONN使用的计算设备，包括：处理器；以及光学神经网络ONN装置，该ONN装置与处理器耦合，用以从处理器接收数据，其中该ONN装置包括：与光源耦合的光学矩阵乘法器，用以将用数据调制的多个光学信号输入线性地变换为多个光学信号输出，其中光学矩阵乘法器包括一个或多个2
×
2幺正光学矩阵，2
×
2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及非线性光学器件，该非线性光学器件与光学矩阵乘法器耦合，用以提供光学输出，该光学输出是响应于光学幺正矩阵乘法器的光学信号输出达到饱和而以非线性方式生成的，其中光学矩阵乘法器的
至少一部分将至少部分地基于与计算相对应的每功率消耗单位每时间单位的运算的目标值而被用于所述计算中。
附图说明
[0006]通过接下来的详细描述结合附图将容易理解实施例。为了帮助此描述，相似的附图标记指定相似的结构元素。在附图中以示例方式而非限制方式图示了实施例。
[0007]图1根据各种实施例示出了ONN的示例，其包括线性光学相干矩阵乘法器和非线性光学器件的层。
[0008]图2根据各种实施例示出了在参考图1描述的ONN的每一层使用的示例非线性光学器件。
[0009]图3根据各种实施例图示了使用带有移相器的光学耦合器的示例矩阵乘法器实现方式。
[0010]图4根据一些实施例示出了使用图1
‑
图3中描述的ONN的向量乘矩阵乘法的示例。
[0011]图5根据各种实施例示出了64乘64ONN的示例。
[0012]图6根据各种实施例示出了128乘128单层ONN的示例。
[0013]图7根据本公开的实施例图示了2
×
2幺正定向光学耦合器的示例顶视图。
[0014]图8根据本公开的实施例图示了2
×
2幺正绝热定向光学耦合器的示例顶视图。
[0015]图9根据本公开的实施例图示了包括一个或多个共模或差分移相器的多个2x2幺正定向光学耦合器和绝热定向光学耦合器的示例顶视图。
[0016]图10根据本公开的实施例图示了两个示例2
×
2幺正多模干涉(MMI) 光学耦合器的顶视图。
[0017]图11根据本公开的实施例图示了具有一个或多个差分移相器和/或共模移相器中的示例2
×
2幺正多模干涉(MMI)光学耦合器的顶视图。
[0018]图12A
‑
12F根据本公开的实施例图示了2
×
2幺正定向光学耦合器的顶视图和截面视图。
[0019]图13A
‑
13C根据本公开的实施例图示了2
×
2幺正MMI光学耦合器的顶视图和截面视图。
[0020]图14A
‑
14C根据本公开的另一实施例图示了2
×
2幺正MMI光学耦合器的顶视图和截面视图。
[0021]图15根据本公开的另一实施例图示了一种矩阵乘法器，其包括多个 2x2幺正定向光学矩阵和包括多个2
×
2幺正多模干涉(MMI)光学耦合器的光学幺正矩阵。
[0022]图16根据一些实施例图示了示例多管芯级联式多层ONN。
[0023]图17图示了根据一些实施例设有ONN的示例计算装置。
具体实施方式
[0024]本公开的实施例描述了用于具有光学矩阵乘法器和经由非线性光学器件实现的光学非线性函数的交替层的ONN的技术和配置。描述的实施例允许了在多层ONN中实现光学矩阵乘法器的任何深度和尺寸。描述的实施例提供了可编程的矩阵乘法器，允许了根据需要对矩阵的一部分进行划分使用，实现了计算效率。描述的实施例允许多遍通过同一光子
集成电路 (photonic integrated circuit，PIC)芯片上的同一光学矩阵管芯，以及连接 ONN的多层并且依次通过它们。描述的实施例还允许将ONN缩放到不同的大小(例如，256
×
256)。
[0025]更具体而言，描述的实施例包括支持单管芯再用的ONN体系结构，其中具有一层或多层的ONN的输出被转换为电信号、被处理、然后被转换回光信号并且再次通过ONN被发送。在实施例中，CMOS器件可以与 ONN耦合以实现这些实施例。
[0026]描述的实施例还包括单个硅光子芯片上的多状态ONN，这些ONN被本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于光学神经网络ONN的装置，包括：所述ONN的至少一层，所述至少一层包括：在半导体衬底中提供的光学矩阵乘法器，用以将多个光学信号输入线性地变换为多个光学信号输出，其中所述光学矩阵乘法器包括一个或多个2
×
2幺正光学矩阵，所述2
×
2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及与所述半导体衬底中的所述光学矩阵乘法器耦合的非线性光学器件，用以提供光学输出，该光学输出是响应于所述光学矩阵乘法器的所述光学信号输出达到饱和而以非线性方式生成的，其中所述至少一层是可编程的，从而使得所述层的一部分将至少部分地基于与由所述ONN进行的计算相对应的每功率消耗单位每时间单位的运算的目标值而被用于所述计算中。2.如权利要求1所述的装置，还包括：在所述半导体衬底中提供的光源的阵列，用以生成光信号的阵列；以及与所述半导体衬底中的所述光源的阵列耦合的多个光学调制器，用以将数据调制到所述光信号上以生成所述光学信号输入的阵列，以提供给所述光学矩阵乘法器。3.如权利要求1所述的装置，其中所述一个或多个2
×
2幺正光学矩阵包括2
×
2光学耦合器，其中所述2
×
2光学耦合器包括以下之一：具有一个或多个移相器的2
×
2幺正定向光学耦合器、具有一个或多个移相器的2
×
2幺正绝热定向光学耦合器、或者具有一个或多个移相器的多模干涉MMI光学耦合器。4.如权利要求2所述的装置，其中所述半导体衬底是单个半导体衬底，并且所述光源的阵列、所述多个光学调制器、以及所述光学矩阵乘法器被异构地集成在所述单个半导体衬底中。5.如权利要求1所述的装置，其中包括在光学上互连以实现矩阵的奇异值分解SVD的一个或多个2
×
2幺正光学矩阵的所述光学矩阵乘法器包括：幺正矩阵U、对角矩阵∑、以及幺正矩阵V。6.如权利要求1
‑
5中任一项所述的装置，其中所述至少一层包括多层，这多层被提供在单个光子集成电路PIC上，其中所述装置允许多遍通过所述多层，以执行所述计算。7.如权利要求6所述的装置，其中所述装置响应于所述多遍通过所述光学矩阵乘法器的完成，而在所述装置的输入处提供第一多个电数据信号到所述多个光学信号输入的电光EO转换，并且在所述装置的输出处提供所述光学输出到第二多个电数据信号的光电OE转换。8.如权利要求1
‑
5中任一项所述的装置，其中所述至少一层包括多层，这多层被提供在相应的多个单光子集成电路PIC上，其中相邻层在光学上连接，以允许经由所述多层提供所述计算。9.如权利要求1
‑
5中任一项所述的装置，其中所述非线性光学器件提供以下所列项中的至少一者：所述光学输出的放大、饱和、整流、或者衰减。10.如权利要求1
‑
5中任一项所述的装置，其中所述装置还可部分基于对所述ONN的功率消耗要求而编程，其中所述层的所述一部分包括所述光学矩阵乘法器的要被用于由所述ONN进行的计算的部分。
11.一种光学神经网络ONN集成电路IC，包括：光源的阵列，用以生成多个光学信号输入；与所述光源耦合的光学矩阵乘法器，用以将所述多个光学信号输入线性地变换为多个光学信号输出，其中所述光学矩阵乘法器包括一个或多个2
×
2幺正光学矩阵，所述2
×
2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及非线性光学器件，该非线性光学器件与所述光学矩阵乘法...

【专利技术属性】
技术研发人员：林雯华，阿米尔，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：