基于多波长并行的多任务衍射神经网络设备及处理方法技术

本发明专利技术涉及光计算和人工智能技术领域，提供一种基于多波长并行的多任务衍射神经网络设备及处理方法，设备包括输入单元、衍射调制结构、光探测组件和处理单元；输入单元用于将N个任务的输入调制到N个波长，经光场叠加形成混合光束后输入衍射调制结构，衍射调制结构用于将输入的混合光束的各波长成分并行处理后输出；光探测组件用于探测衍射调制结构的输出平面的光强；输出平面包括M个类别的检测区域，每个检测区域包含N个子区域；处理单元用于根据各检测区域中对应子区域的光强分布，确定N个波长对应的N个任务的推理结果。解决了D2NN仅能适应单一深度学习任务，通用性较差的问题，实现了多任务并行，提升了通用性。提升了通用性。提升了通用性。

【技术实现步骤摘要】
基于多波长并行的多任务衍射神经网络设备及处理方法


[0001]本专利技术涉及光计算和人工智能
，尤其涉及一种基于多波长并行的多任务衍射神经网络设备及处理方法。

技术介绍

[0002]随着科学技术的发展，光子计算因具有光速处理、低功耗和高吞吐能力等优势，已经得到广泛应用，例如可以使用光子而非电子来执行人工智能(Artificial Intelligence，AI)任务，目前，光子神经网络基于光子计算实现人工神经网络模型，可以大大提升计算速度和能源效率，在不同的光子神经网络架构中，其中的衍射深度神经网络(Diffractive Deep Neural Network，D2NN)可以进行大规模的神经信息处理，D2NN包括多层衍射层，由衍射光学元件组成。实际应用中，D2NN仅能适应单一的任务，通用性较差。

技术实现思路

[0003]本专利技术提供一种基于多波长并行的多任务衍射神经网络设备及处理方法，用以解决现有技术中D2NN仅能适应单一的任务，通用性较差的缺陷，实现多任务并行，提升了通用性。
[0004]本专利技术提供一种基于多波长并行的多任务衍射神经网络设备，包括：输入单元、衍射调制结构、光探测组件和处理单元；其中，所述衍射调制结构包括多层衍射层，每层所述衍射层包括多个衍射光学元件；
[0005]所述输入单元用于将N个任务的输入调制到N个波长，经光场叠加形成混合光束后输入所述衍射调制结构，N个波长与N个任务的输入一一对应；
[0006]所述衍射调制结构用于将输入的所述混合光束的各波长成分并行处理后输出；
[0007]所述光探测组件用于探测所述衍射调制结构的输出平面的光强；所述输出平面包括M个类别的检测区域，每个所述检测区域包含N个子区域，N个所述子区域与N个所述波长一一对应；其中，M和N均为正整数；
[0008]所述处理单元用于根据各所述检测区域中各所述子区域的光强分布，确定N个波长对应的N个任务的推理结果。
[0009]根据本专利技术提供的一种基于多波长并行的多任务衍射神经网络设备，所述处理单元具体用于：
[0010]针对每个所述任务，从M个所述检测区域内与所述任务的输入对应的所述波长所对应的所述子区域中，选择光强最大的所述子区域，将所述光强最大的所述子区域所在所述检测区域的类别作为所述任务的推理结果。
[0011]根据本专利技术提供的一种基于多波长并行的多任务衍射神经网络设备，各所述衍射光学元件的相位调制系数是通过如下方式获得的：
[0012]基于所述任务的输入对应的所述波长所对应的所述子区域的光强的检测值和真实值之间的误差，确定第一损失函数；
[0013]基于所述任务的输入对应的所述波长所对应的各所述子区域之外的光强之和，确定第二损失函数；
[0014]基于所述第一损失函数和第二损失函数，确定目标损失函数；
[0015]基于所述目标损失函数，确定各所述衍射光学元件的相位调制系数。
[0016]根据本专利技术提供的一种基于多波长并行的多任务衍射神经网络设备，所述N个任务来自不同的数据集。
[0017]根据本专利技术提供的一种基于多波长并行的多任务衍射神经网络设备，所述光探测组件包括用于探测整个所述输出平面的光强的光探测器；或者，所述光探测组件包括与每个所述子区域对应的光探测器。
[0018]根据本专利技术提供的一种基于多波长并行的多任务衍射神经网络设备，所述输入单元包括沿光路方向依次排列的N
‑
1个分束器；当所述分束器是光路方向的第一个所述分束器时，所述分束器的输入包括两个波长对应的所述任务的输入；当所述分束器不是光路方向的第一个所述分束器时，所述分束器的输入包括前一个所述分束器的输出和一个波长对应的所述任务的输入；当所述分束器是光路方向的最后一个所述分束器时，所述分束器的输出为所述混合光束。
[0019]本专利技术还提供一种应用于上述任一种所述的基于多波长并行的多任务衍射神经网络设备的处理方法，包括：
[0020]在所述输入单元将N个任务的输入调制到N个波长，经光场叠加形成混合光束输入至所述衍射调制结构后，所述光探测组件探测所述衍射调制结构的输出平面的光强；
[0021]所述处理单元根据所述输出平面的各所述检测区域中各所述子区域的光强，确定N个波长对应的N个任务的推理结果。
[0022]根据本专利技术提供的应用于上述任一种所述的基于多波长并行的多任务衍射神经网络设备的处理方法，所述处理单元根据所述输出平面的各所述检测区域中各所述子区域的光强，确定N个所述任务的推理结果，包括：
[0023]针对每个所述任务，从M个所述检测区域内与所述任务的输入对应的所述波长所对应的所述子区域中，选择光强最大的所述子区域，将所述光强最大的所述子区域所在所述检测区域的类别作为所述任务的推理结果。
[0024]根据本专利技术提供的应用于上述任一种所述的基于多波长并行的多任务衍射神经网络设备的处理方法，所述各所述衍射光学元件的相位调制系数是通过如下方式获得的：
[0025]基于所述任务的输入对应的所述波长所对应的所述子区域的光强的检测值和真实值之间的误差，确定第一损失函数；
[0026]基于所述任务的输入对应的所述波长所对应的各所述子区域之外的光强之和，确定第二损失函数；
[0027]基于所述第一损失函数和第二损失函数，确定目标损失函数；
[0028]基于所述目标损失函数，确定各所述衍射光学元件的相位调制系数。
[0029]根据本专利技术提供的应用于上述任一种所述的基于多波长并行的多任务衍射神经网络设备的处理方法，所述任务为图像的分类任务。
[0030]本专利技术提供的基于多波长并行的多任务衍射神经网络设备，通过输入单元将N个任务的输入调制到N个波长，经光场叠加形成混合光束后输入衍射调制结构，衍射调制结构
用于将输入的所述混合光束的各波长成分并行处理后输出，由光探测组件探测衍射调制结构的输出平面的光强，该输出平面包括M个类别的检测区域，每个检测区域包含N个子区域，N个子区域与N个所述波长一一对应，基于此，处理单元可以根据各所述检测区域中各所述子区域的光强，确定N个波长对应的N个任务的推理结果，实现多任务的并行处理，从而实现多波长D2NN，如此，与现有技术相比，可以通过多波长D2NN将不同的任务的输入编码到不同的波长，实现不同任务的并行处理，不仅通用性强，且大大提高了计算吞吐量。
附图说明
[0031]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1是本专利技术提供的基于多波长并行的多任务衍射神经网络设备的示意图之一；
[0033]图2是本专利技术提供的基于多波长并行的多任务衍射神经网络设备的示意图之二；
[0034]图3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多波长并行的多任务衍射神经网络设备，其特征在于，包括：输入单元、衍射调制结构、光探测组件和处理单元；其中，所述衍射调制结构包括多层衍射层，每层所述衍射层包括多个衍射光学元件；所述输入单元用于将N个任务的输入调制到N个波长，经光场叠加形成混合光束后输入所述衍射调制结构，N个波长与N个任务的输入一一对应；所述衍射调制结构用于将输入的所述混合光束的各波长成分并行处理后输出；所述光探测组件用于探测所述衍射调制结构的输出平面的光强；所述输出平面包括M个类别的检测区域，每个所述检测区域包含N个子区域，N个所述子区域与N个所述波长一一对应；其中，M和N均为正整数；所述处理单元用于根据各所述检测区域中各所述子区域的光强分布，确定N个波长对应的N个任务的推理结果。2.根据权利要求1所述的基于多波长并行的多任务衍射神经网络设备，其特征在于，所述处理单元具体用于：针对每个所述任务，从M个所述检测区域内与所述任务的输入对应的所述波长所对应的所述子区域中，选择光强最大的所述子区域，将所述光强最大的所述子区域所在所述检测区域的类别作为所述任务的推理结果。3.根据权利要求1所述的基于多波长并行的多任务衍射神经网络设备，其特征在于，各所述衍射光学元件的相位调制系数是通过如下方式获得的：基于所述任务的输入对应的所述波长所对应的所述子区域的光强的检测值和真实值之间的误差，确定第一损失函数；基于所述任务的输入对应的所述波长所对应的各所述子区域之外的光强之和，确定第二损失函数；基于所述第一损失函数和第二损失函数，确定目标损失函数；基于所述目标损失函数，确定各所述衍射光学元件的相位调制系数。4.根据权利要求1至3任一项所述的基于多波长并行的多任务衍射神经网络设备，其特征在于，所述N个任务来自不同的数据集。5.根据权利要求1至3任一项所述的基于多波长并行的多任务衍射神经网络设备，其特征在于，所述光探测组件包括用于探测整个所述输出平面的光强的光探测器；或者，所述光探测组件包括与每个所述...

【专利技术属性】
技术研发人员：林星，段正阳，陈航，张海欧，
申请(专利权)人：清华大学，
类型：发明
国别省市：