本发明专利技术公开了一种基于光学多神经元激活函数模块的光电计算机，属于计算机领域。本发明专利技术的光电计算机由n个神经网络串联构成，每一神经网络分为光源模块、全光矩阵运算模块、光学多神经元激活函数模块、驱动信号生成模块。光学多元神经元激活函数模块的输入为包含多个神经元信息的2维、多像素点的图形，输出为并行的多波长信号。本发明专利技术神经网络中的矩阵运算过程、多神经元的非线性激活过程都为并行过程，大大提高了网络的并行度和速度。本发明专利技术实现了在全光域内通过一个器件(模块)并行完成多个神经元的激活函数运算，大大提高了架构的集成度、降低了复杂性；光学多神经元激活函数模块也由于其全光特性，节约了能耗、提高了运行速率。行速率。行速率。
【技术实现步骤摘要】
一种基于光学多神经元激活函数模块的光电计算机
[0001]本专利技术涉及计算机，尤其涉及基于一种光学多神经元激活函数模块的光电融合计算机。
技术背景
[0002]在过去的几十年中，微电子技术一直按照摩尔定律发展，即当价格不变时，电路集成度约每隔18
‑
24个月便会增加一倍，性能也将提升一倍。然而在21世纪初，随着电路集成度的不断提高，电子所产生的热量也会迅速增加，串扰、功耗、噪声和时延问题将越来越严重，从而使器件无法正常工作，这使得微电子工业已经很难按照摩尔定律的预测发展，对于人工智能、神经网络这样对算力需求不断膨胀的产业，显然是个不利消息。而与数字计算机中的电子不同，光子作为非相互作用的玻色子，自然具有可以以光速实现多重互连及并行计算的优良特性，今后，逐步使用光电融合乃至全光计算机以满足人工智能和神经网络的算力需求，已成为必然趋势。
[0003]国际上已有的光计算系统中，已有通过利用空间调制来提高数据计算的并行性方案，但是其只关注于实现线性矩阵运算，在处理人工智能和神经网络的非线性激活函数时，仍需要通过电学或者光电融合的方案，这仍需要比较大的能耗和算力。
[0004]同时，如果聚焦到非线性函数的解决方案，也有课题组和公司提出了各种全光或光电融合的技术，但对于一个器件(模块)，只能实现单输入、单输出的运算，对应到神经网络和人工智能中，即实现一个神经元就需要一个器件(模块)，这对于器件集成化非常不利。
技术实现思路
[0005]本专利技术提出一种基于光学多神经元激活函数模块的光电计算机，可以实现高并行度、大数据通量的计算，同时系统中的光学多神经元激活函数模块，可以提升传统光计算系统中非线性部分的运算速度，以及非线性器件并行度低的问题。
[0006]本专利技术提供了一种基于光学多神经元激活函数模块的光电计算机，其由一层或一层以上的神经网络构成，每层神经网络包括光源模块、全光矩阵运算模块、光学多神经元激活函数模块和驱动信号生成模块；
[0007]所述的光源模块为每层神经网络的输入部分，用于产生x路同波长的非相干光；其中，x为当前神经网络的神经元个数，为4至128的正整数；
[0008]所述的全光矩阵运算模块用于接收光源模块产生的非相干光，通过其内部的二维线性光计算系统实现矩阵
‑
向量乘法，并将结果进行图形化输出，所述的图形化输出为多像素点、图形化形式的输出；
[0009]所述的光学多神经元激活函数模块用于对全光矩阵运算模块的图形化输出进行非线性激活函数处理，输出一路具有y个不同波长的多波长激光，其中，y对应于下一神经网络的神经元个数，为4至128的正整数；
[0010]所述的驱动信号生成模块用于将光学多神经元激活函数模块的输出信号进行探
测、补偿、映射，产生对应的驱动信号，作为下一层神经网络的输入数据，实现多层神经网络的级联，或者作为整个神经网络的输出数据；所述的驱动信号生成模块采用光电转换方案或全光方案。
[0011]当驱动信号生成模块采用光电转换方案时，所述的光源模块采用主动发光单元，或单色面光源和被动调光器件的组合结构；
[0012]当驱动信号生成模块采用全光方案时，第一层神经网络的光源模块采用主动发光单元，或单色面光源和被动调光器件的组合结构，非第一层神经网络的光源模块采用与上一层神经网络的驱动信号生成模块相连接的波导阵列实现。
[0013]进一步的，所述的主动发光单元用于发射非相干且强度可调整的光束，所述的被动调光器件用于对输入的单色面光源的强度进行调制。
[0014]进一步的，对于第一层的神经网络，需要进入神经网络处理的数据被转换为电信号以驱动或控制光源模块，光源模块将信息编码至x路同波长的非相干光的强度上；
[0015]对于非第一层的神经网络的光源模块，当驱动信号生成模块采用光电转换方案时，上一层神经网络的驱动信号生成模块将产生电信号以驱动或控制本层光源模块，本层光源模块将信息编码至x路同波长的非相干光的强度上；对于非第一层的神经网络的光源模块，当驱动信号生成模块采用全光方案时，上一层神经网络的驱动信号生成模块将产生强度不同的x路同波长的非相干光，并直接进入与本层神经网络连接的波导阵列作为光源。
[0016]作为本专利技术的优选方案，所述的光学多神经元激活函数模块由光场调控系统和非线性模块组成，所述的光场调控系统用于调整所述图形化输出的尺寸，使其适合非线性模块的输入端；所述的非线性模块为图形化输入、多波长输出的非线性器件或系统。
[0017]作为本专利技术的优选方案，所述的非线性模块采用区域性泵浦选模激光器，用于接收所述光场调控系统调整后的光场，对调整后光场所承载的信息进行非线性激活函数的处理，并将运算结果承载到所述多波长激光上进行输出。
[0018]作为本专利技术的优选方案，所述驱动信号生成模块的光电转换方案通过光学解复用器、光电探测器阵列和小规模电路实现；所述解复用器将光学多神经元激活函数模块输出的多波长激光分解为多路单波长信号；所述的光电探测器阵列将所述多路单波长信号转换为电学信号；所述小规模电路将光电探测器输出的电学信号经放大、整形处理，输出所述的驱动信号。
[0019]作为本专利技术的优选方案，所述驱动信号生成模块的全光方案通过光学解复用器、光放大器和波长转换器实现，所述解复用器用于将多波长的激光信号分解为多路单波长信号；所述光放大器用于将激光信号的强度进行放大；所述波长转换器将所述光放大器输出的多路信号光的波长转换为下一神经网络的光源模块所需的输入波长。
[0020]本专利技术的特点在于提供一种可广泛兼容各种二维并行矩阵运算的光计算网络的光学多神经元激活函数模块，并基于此提出一种光电计算机架构。所述光学多元神经元激活函数模块，其特点在于输入为包含多个神经元信息的2维、多像素点的图形，输出为并行的多波长信号。本专利技术中对应的神经网络中的矩阵运算过程、多神经元的非线性激活过程都为并行过程，大大提高了网络的并行度和速度。同时由于一个的区域性泵浦选模激光器实现了在全光域内通过一个器件(模块)并行完成多个神经元的激活函数运算，大大提高了架构的集成度、降低了复杂性；光学多神经元激活函数模块也由于其全光特性，节约了能
耗、提高了运行速率。
附图说明
[0021]图1为本专利技术的结构框图；
[0022]图2为本专利技术实施例一的组成结构示意图；
[0023]图3为本法专利技术的实施例一中光源模块与全光矩阵运算模块的结构示意图及其光路图，其中a为俯视图，b为侧视图。
[0024]图4为本专利技术中各模块功能与传统人工智能网络的对照图；
[0025]图5为ReLU函数的线形示意图；
[0026]图6为区域性泵浦选模激光器的工作方式示意图。
具体实施方式
[0027]为明确本专利技术的架构、实现过程和优势，以下将对专利技术的技术方案进行更清楚、更详细地描述。诚然，由于架构中所述各模块的选型的自由度，以下所述的实施例仅为本专利技术的一个实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于光学多神经元激活函数模块的光电计算机，其特征在于：由一层或一层以上的神经网络构成，每层神经网络包括光源模块、全光矩阵运算模块、光学多神经元激活函数模块和驱动信号生成模块；所述的光源模块为每层神经网络的输入部分，用于产生x路同波长的非相干光；其中，x为当前神经网络的神经元个数，为4至128的正整数；所述的全光矩阵运算模块用于接收光源模块产生的非相干光，通过其内部的二维线性光计算系统实现矩阵
‑
向量乘法，并将结果进行图形化输出，所述的图形化输出为多像素点、图形化形式的输出；所述的光学多神经元激活函数模块用于对全光矩阵运算模块的图形化输出进行非线性激活函数处理，输出一路具有y个不同波长的多波长激光，其中，y对应于下一神经网络的神经元个数，为4至128的正整数；所述的驱动信号生成模块用于将光学多神经元激活函数模块的输出信号进行探测、补偿、映射，产生对应的驱动信号，作为下一层神经网络的输入数据，实现多层神经网络的级联，或者作为整个神经网络的输出数据；所述的驱动信号生成模块采用光电转换方案或全光方案。2.如权利要求1所述的基于光学多神经元激活函数模块的光电计算机，其特征在于：当驱动信号生成模块采用光电转换方案时，所述的光源模块采用主动发光单元，或单色面光源和被动调光器件的组合结构；当驱动信号生成模块采用全光方案时，第一层神经网络的光源模块采用主动发光单元，或单色面光源和被动调光器件的组合结构，非第一层神经网络的光源模块采用与上一层神经网络的驱动信号生成模块相连接的波导阵列实现。3.如权利要求2所述的基于光学多神经元激活函数模块的光电计算机，其特征在于：所述的主动发光单元用于发射非相干且强度可调整的光束，所述的被动调光器件用于对输入的单色面光源的强度进行调制。4.如权利要求2所述的基于光学多神经元激活函数模块的光电计算机，其特征在于：对于第一层的神经网络，需要进入神经网络处理的数据被转换为电信号以驱动或控制光源模块，光源模块将信息...
【专利技术属性】
技术研发人员：金潮渊，刘逸丰，李晨晖，翁海中，王博文，黄科杰，
申请(专利权)人：浙江大学，
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。