【技术实现步骤摘要】
实现卷积神经网络的单片光子集成芯片
[0001]本专利技术涉及半导体
,特别涉及一种实现卷积神经网络的单片光子集成芯片。
技术介绍
[0002]目前,卷积神经网络CNN已经广泛应用于图像识别、目标检测和语义分割等各种领域,卷积神经网络是通过神经元的线性和非线性运算将输入映射到输出,是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络是一种重要的神经网络结构,在图像这种二维数据的处理具有很重要的作用。
[0003]其中,卷积神经网络的结构通常为包含卷积层、池化层、以及非线性激活层和全连接层。卷积运算的基本原理是采用一个卷积核矩阵与输入矩阵的子矩阵对应元素相乘并相加,这种卷积运算能够有效提取图像的特征。在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数,其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。将卷积层或者池化层的输出展开为一维的向量之后作为全连接层的输入,该层往往实现分类的功能。卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分,并只向其它全连接层传递信号。卷积神经网络中输出层的上游通常是全连接层,输出层直接输出分类结果。
[0004]相关技术中,在实现卷积神经网络时,通常是采用电子卷积神经网络的方案,电子卷积神经网络是基于电子元器件来实现的,如通过电阻、二极 ...
【技术保护点】
【技术特征摘要】
1.一种实现卷积神经网络的单片光子集成芯片,其特征在于,包括:输入层、卷积池化层和输出全连接层,其中,所述输入层包括:半导体环形锁模激光器、第一半导体光放大器、1
×
N阵列波导光栅和第一组幅度调制器,所述卷积池化层包括:所述1
×
N阵列波导光栅、所述第一组幅度调制器、第二组幅度调制器、N
×
1阵列波导光栅和放大非线性区域,所述放大非线性区域包括:1
×
2多模干涉耦合器、第一激光器、第二半导体光放大器、第一相位调制器、第二激光器、第三半导体光放大器、第二相位调制器和2
×
1多模干涉耦合器,所述输出全连接层包括:1
×
K多模干涉耦合器、第三组幅度调制器和光电探测器组,N和K为正整数,其中,所述半导体环形锁模激光器的输出端与所述第一半导体光放大器的输入端相连,用于产生光频梳信号;所述第一半导体光放大器的输出端与所述1
×
N阵列波导光栅的输入端相连,用于向所述光频梳信号提供增益;所述1
×
N阵列波导光栅的每个输出端与所述第一组幅度调制器对应的输入端相连,用于进行波分解复用,将放大后的光频梳信号分解成N路信号分别输出至不同的输出端;所述第一组幅度调制器的每个输出端与所述第二组幅度调制器对应的输入端相连,在输入层中用于将待分类的图像信号加载至分解后的每路光频梳信号的光脉冲上;所述第二组幅度调制器的每个输出端与所述N
×
1阵列波导光栅的输入端相连,在卷积层中用于实现卷积运算中输入信号值与权重值的相乘运算;所述N
×
1阵列波导光栅的输出端与所述1
×
2多模干涉耦合器的输入端相连,在卷积层中用于进行波分复用,将N路进行所述相乘运算后的光信号合为1路光信号,以实现相加运算;所述1
×
2多模干涉耦合器的输出端分别与所述第二半导体光放大器和所述第三半导体光放大器的输入端相连,用于将所述相加运算得到的1路光信号分解为相同的两路光信号;所述第一激光器与所述第二半导体光放大器的输入端相连,所述第二激光器与所述第三半导体光放大器的输入端相连,所述第二半导体光放大器的输出端与所述第一相位调制器的输入端相连,所述第三半导体光放大器的输出端与所述第二相位调制器的输入端相连,所述第二半导体光放大器和所述第三半导体光放大器在卷积层中用于放大所述两路光信号的幅度;所述第一相位调制器和所述第二相位调制器的输出端与所述2
×
1多模干涉耦合器的输入端相连,所述2
×
1多模干涉耦合器的输出端与所述1
×
K多模干涉耦合器的输入端相连,所述2
×
1多模干涉耦合器用于将放大后的两路光信号合并为1路光信号作为卷积层输出的光信号;所述卷积层输出的光信号通过外部控制系统反馈至池化层的所述第一组幅度调制器处,所述第一组幅度调制器在池化层中还用于...
【专利技术属性】
技术研发人员:熊婉姝,潘炜炜,李玉苗,姚偌云,彭张皖,吉晨,
申请(专利权)人:之江实验室,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。