基于片上衍射神经网络的光学图神经分类网络、方法技术

本申请涉及光学神经网络计算技术领域，特别涉及一种基于片上衍射神经网络的光学图神经分类网络、方法，其中，网络包括：光学图特征提取模块，用于将图结构的输入节点属性信息编码至输入波导的输入光信号上，并提取通过片上衍射神经网络传播后的输出波导的输出光信号，利用输出光信号得到图特征信息；光学图特征聚合模块，用于将多个图结构的图特征信息进行聚合；分类模块，用于根据聚合后的多个图结构的图特征信息对多个图结构进行分类，得到多个图结构的分类结果。由此，解决了现有的光学神经网络都只能处理向量、矩阵等形式的规则数据结构，而不能处理图结构等非欧氏空间的数据结构的问题，可以利用片上集成的光学神经网络来处理社交网络、论文互引网络等图结构数据。论文互引网络等图结构数据。论文互引网络等图结构数据。

【技术实现步骤摘要】
基于片上衍射神经网络的光学图神经分类网络、方法


[0001]本申请涉及光学神经网络计算
，特别涉及一种基于片上衍射神经网络的光学图神经分类网络、方法。

技术介绍

[0002]深度学习技术在广泛的人工智能(Artificial Intelligence，AI)应用中取得了巨大的进步，包括计算机视觉、语音识别、自然语言处理、自动驾驶汽车、生物医学科学等等。其核心是在CPU（Central Processing Unit，中央处理器）、GPU（Graphics Processing Unit，图像处理器）、TPU（Tensor Processing Unit，张量处理器）、FPGA（Field Programmable Gate Array，现场可编程逻辑门阵列。）等综合电子计算平台不断发展的驱动下，利用多层神经网络从大数据中学习复杂的特征。然而，随着人工智能发展需求的增加，电子计算性能正接近其物理极限，运行大规模深度神经模型会带来巨大的能量消耗。光子计算以光子为计算介质，利用其并行度高、功耗小、信号处理速度快等优点，构建光子神经网络，是近年来光子计算领域的研究热点。
[0003]近几年许多用来执行智能推理任务的光学神经网络结构被提出，如衍射深度神经网络、光干涉神经网络、光子脉冲神经网络，而且已经在语音识别、图像分类等任务中取得巨大进展。但是现有的光学神经网络都只能处理向量、矩阵等形式的规则数据结构，而不能处理图结构等非欧氏空间的数据结构。然而，各种科学领域分析的数据超越了这种欧氏空间范畴。作为典型的代表，图数据结构编码复杂系统中节点之间丰富的关系(边)，在现实世界中无处不在，从社会网络到化学分子。电子图神经网络(Graph Neural Networks，GNN)已经发展成为一种广泛的新型方法，能够很好地学习局部节点特征和图拓扑结构特征，以便在图结构数据上进行表示学习。在这些模型中，基于消息传递的GNN，通过可训练的变换矩阵提取节点特征生成消息，然后将消息传递到每个相邻节点，生成图的拓扑特征，由于其灵活性在分子性质预测、药物发现、基于骨骼的人体行为识别、时空预测等方面取得了显著的成功。然而，如何有效地利用光学计算来帮助基于图的机器学习仍然有待探索。

技术实现思路

[0004]本申请提供一种基于片上衍射神经网络的光学图神经分类网络、方法，可以实现高速、低功耗大规模图结构数据处理，使得全光学神经网络更好地完成各种类型的机器学习任务。
[0005]本申请第一方面实施例提供一种基于片上衍射神经网络的光学图神经分类网络，包括：光学图特征提取模块，用于将图结构的输入节点属性信息编码至输入波导的输入光信号上，并提取通过片上衍射神经网络传播后的输出波导的输出光信号，利用所述输出光信号得到图特征信息；光学图特征聚合模块，用于将多个图结构的图特征信息进行聚合；分类模块，用于根据聚合后的多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果。
[0006]可选地，在本申请的一个实施例中，所述光学图特征提取模块包括：光学节点属性输入单元，用于通过调制器将所述图结构的输入节点属性信息编码至所述输入光信号的光强或相位上；片上衍射计算单元，包括集成设置的片上衍射神经网络，用于提取所述输出光信号的光强或相位，基于所述输出光信号的光强或相位得到所述图特征信息；光学节点特征聚合单元，用于通过波导和耦合器将所述图结构中多个相邻的输入节点的图特征信息进行拼接。
[0007]可选地，在本申请的一个实施例中，所述调制器包括电光调制器、声光调制器或热光调制器。
[0008]可选地，在本申请的一个实施例中，所述片上衍射神经网络为多层衍射线通过光学衍射连接组成，对所述衍射线的形状、大小和周期进行设置，确定所述片上衍射神经网络对光的幅度调制系数和相位调制系数。
[0009]可选地，在本申请的一个实施例中，所述分类模块包括：光学神经网络单元，用于通过波导将所述多个图结构的图特征信息输入到光学神经网络，利用所述光学神经网络对所述多个图结构进行分类，得到所述多个图结构的分类结果。
[0010]可选地，在本申请的一个实施例中，所述分类模块包括：光电探测器，用于对聚合后的所述多个图结构的图特征信息进行光电转换；电子神经网络单元，用于根据所述光电转换后的所述多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果。
[0011]可选地，在本申请的一个实施例中，还包括：处理模块，用于对所述光学图神经分类网络结构电磁场进行仿真，获取所述光学图神经网络的结构参数，根据所述结构参数建立前向传播数值模型，利用误差反向传播算法训练所述衍射计算单元每个调制层的参数，根据训练结果构建所述光学图神经网络结构。
[0012]本申请第二方面实施例提供一种基于片上衍射神经网络的光学图神经网络分类方法，包括以下步骤：将图结构的输入节点属性信息编码至输入波导的输入光信号上，并提取通过片上衍射神经网络传播后的输出波导的输出光信号，利用所述输出光信号得到图特征信息；将多个图结构的图特征信息进行聚合，根据聚合后的多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果。
[0013]可选地，在本申请的一个实施例中，所述将图结构的输入节点属性信息编码至输入波导的输入光信号上，并提取通过片上衍射神经网络传播后的输出波导的输出光信号，利用所述输出光信号得到图特征信息，包括：将所述图结构的输入节点属性信息编码至所述输入光信号的光强或相位上，提取所述输出光信号的光强或相位，基于所述输出光信号的光强或相位得到所述图特征信息，将所述图结构中多个相邻的输入节点的图特征信息进行拼接。
[0014]可选地，在本申请的一个实施例中，所述根据聚合后的多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果，包括：将所述多个图结构的图特征信息输入到光学神经网络，利用所述光学神经网络对所述多个图结构进行分类，得到所述多个图结构的分类结果；和/或，对聚合后的所述多个图结构的图特征信息进行光电转换，根据所述光电转换后的所述多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果。
[0015]本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以执行如上述实施例所述的基于片上衍射神经网络的光学图神经网络分类方法。
[0016]本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以执行如上述实施例所述的基于片上衍射神经网络的光学图神经网络分类方法。
[0017]本申请的实施例具有以下有益效果：区别于以往的只能处理向量或矩阵形式的光学神经网络，本申请利用片上集成的衍射神经网络来对编码到光上的节点属性进行特征提取，生成每个节点的消息，利用波导耦合实现消息的传递和聚合，物理构建了图结构节点的拓扑连接，提供了利用片上集成的光学神经网络来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于片上衍射神经网络的光学图神经分类网络，其特征在于，包括：光学图特征提取模块，用于将图结构的输入节点属性信息编码至输入波导的输入光信号上，并提取通过片上衍射神经网络传播后的输出波导的输出光信号，利用所述输出光信号得到图特征信息；光学图特征聚合模块，用于将多个图结构的图特征信息进行聚合；分类模块，用于根据聚合后的多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果。2.根据权利要求1所述的网络，其特征在于，所述光学图特征提取模块包括：光学节点属性输入单元，用于通过调制器将所述图结构的输入节点属性信息编码至所述输入光信号的光强或相位上；片上衍射计算单元，包括集成设置的片上衍射神经网络，用于提取所述输出光信号的光强或相位，基于所述输出光信号的光强或相位得到所述图特征信息；光学节点特征聚合单元，用于通过波导和耦合器将所述图结构中多个相邻的输入节点的图特征信息进行拼接。3.根据权利要求1所述的网络，其特征在于，所述调制器包括电光调制器、声光调制器或热光调制器。4.根据权利要求2所述的网络，其特征在于，所述片上衍射神经网络为多层衍射线通过光学衍射连接组成，对所述衍射线的形状、大小和周期进行设置，确定所述片上衍射神经网络对光的幅度调制系数和相位调制系数。5.根据权利要求1所述的网络，其特征在于，所述分类模块包括：光学神经网络单元，用于通过波导将所述多个图结构的图特征信息输入到光学神经网络，利用所述光学神经网络对所述多个图结构进行分类，得到所述多个图结构的分类结果。6.根据权利要求1或5所述的网络，其特征在于，所述分类模块包括：光电探测器，用于对聚合后的所述多个图结构的图特征信息进行光电转换；电子神经网络单元，用于根据所述光电转换后的所述多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果。7.根据权利要求6所述的网络，其特征在于，还包括：处理模块，用于对所述光学图神经分类网络结构电磁场进行仿真，获取所述光学图神经网络的结构参数，根据所述结构参数建立前向传播数值模型，利...

【专利技术属性】
技术研发人员：戴琼海，严涛，吴嘉敏，
申请(专利权)人：清华大学，
类型：发明
国别省市：