一种全光神经网络加速系统技术方案

本发明专利技术属于计算机领域，具体涉及一种全光神经网络加速系统，其包括：控制模块将输入到系统的神经网络的计算任务转换成控制系统的各个模块的控制指令，并将控制指令分别发送到各个模块；光数据转换模块根据控制模块的控制指令将神经网络的输入数据转换成对应的光信号，并将光信号输入到第一计算模块；第一计算模块包括若干个微环，将神经网络计算任务中的权重参数转换成对应的微环的调控电压，并通过若干微环对输入的光信号进行加权运算，并将加权后的光信号输入到第二计算模块；第二计算模块基于神经网络的计算任务的激活函数对第一计算模块输出的光信号进行非线性计算。可有效解决传统的光、电结合的方式中存在的速度慢功耗高的问题。耗高的问题。耗高的问题。

【技术实现步骤摘要】
一种全光神经网络加速系统


[0001]本专利技术属于计算机领域，具体涉及一种全光神经网络加速系统。

技术介绍

[0002]近年来，随着互联网、云计算、5G通信等技术的飞速发展，数据流量正在呈现爆炸式增长。ANN(Artificial neural network，人工神经网络)的出现为海量数据处理提供了一个全新的思路，然而随着其应用范围和需求不断扩大以及数据集体量的不断提高，无论是算法的实现、大数据集的获取与存贮还是算力的体现，都依赖于强大的物理基础——硬件。因此，为适应大规模、高速率的计算需求，学术界和工业界都开始了对神经网络硬件加速器的研究和发展。目前ANN计算硬件主要包括经过软硬件优化的通用硬件和专用的ANN加速器。电子计算硬件除了在计算、搬移数据的时候会产生大量的功耗之外，散热问题也将消耗额外的资源。面对ANN相关应用对并行计算和低功耗的强烈需求，研究人员开始寻找可替代当前电子计算硬件的新型计算方式和架构来突破冯
·
诺依曼瓶颈。
[0003]光信号处理克服了传统信号处理技术由于电子器件受限所引起的低效，成为缓解信号处理带宽困境的强有力解决方案，更加适合大量、实时、高速的数据处理、整合和分配。但是由于所采用的光学器件的尺寸过大以及可扩展性较差，光子线性计算的发展十分缓慢，难以投入真正的应用。因此需要利用硅基光电子技术，将光电子技术和微电子技术相结合，实现光信号处理的高速率、高带宽、低功耗等优势，同时通过将光学器件集成在片上实现光学系统的小型化和实用性。但是由于采用光电子和微电子技术相结合必然将使用传统的计算方式实现部分计算，相比与光学的实现方式仍然存在速度慢、功耗高的劣势。
[0004]因此，亟需一种有效的方案来解决上述问题。

技术实现思路

[0005]为解决上述问题，本专利技术提出一种全光神经网络加速系统，包括：控制模块、光数据转换模块、第一计算模块、第二计算模块，其中：
[0006]所述控制模块配置用于将输入到所述系统的神经网络的计算任务转换成控制上述各个模块的控制指令，并将所述控制指令分别发送到上述各个模块；
[0007]所述光数据转换模块配置用于根据所述控制模块的控制指令将神经网络的输入数据转换成对应的光信号，并将所述光信号输入到所述第一计算模块；
[0008]所述第一计算模块包括若干个微环，并且配置用于将神经网络计算任务中的权重参数转换成对应的微环的调控电压，并通过所述若干微环对输入的光信号进行加权运算，并将加权后的光信号输入到所述第二计算模块；
[0009]所述第二计算模块配置用于基于所述神经网络的计算任务的激活函数对所述第一计算模块输出的光信号进行非线性计算并将所述计算结果发送到所述控制模块。
[0010]在本专利技术的一些实施方式中，第一计算模块包括：
[0011]第一微环阵列，所述第一微环阵列包括若干微环，并且配置用于对输入到第一计
算模块的光信号以光耦合的方式对光信号进行加权计算；
[0012]第一任意波形发生器，所述第一任意波形发生器配置用于将所述神经网络计算任务的权重参数中高于或等于预定值的权重数据转换成第一权重数据，将所述第一权重数据转换成对应的调节电压，并将所述调节电压发送到所述第一微环阵列中对应的微环上。
[0013]在本专利技术的一些实施方式中，第一计算模块还包括：
[0014]第二微环阵列，所述第二微环阵列包括若干微环，并且配置用于对输入到第一计算模块的光信号以光耦合的方式对光信号进行加权计算；
[0015]第二任意波形发生器，所述第二任意波形发生器配置用于将所述神经网络计算任务的权重参数中低于预定值的权重数据转换成第二权重数据，将所述第二权重数据转换成对应的调节电压，并将所述调节电压发送到所述第二微环阵列中的对应的微环上。
[0016]在本专利技术的一些实施方式中，第一计算模块还包括：
[0017]信号延时模块，所述信号延时模块配置用于根据控制模块的控制指令将所述第一微环阵列和第二微环阵列输出的加权后的光信号根据不同的波长设定等量的延时时间，并将延时后的光信号输出到第二计算模块。
[0018]在本专利技术的一些实施方式中，光数据转换模块包括：
[0019]分光耦合器，所述分光耦合器配置用于将输入的光信号按照控制模块的控制指令分配到所述第一微环阵列和第二微环阵列中。
[0020]在本专利技术的一些实施方式中，光数据转换模块还包括：
[0021]光源发生器，所述光源发生器配置用于产生离散波长的光信号，并将所述光信号发送到宽带调制器。
[0022]在本专利技术的一些实施方式中，光数据转换模块还包括：
[0023]第三任意波形发生器，所述第三任意波形发生器配置用于将所述神经网络的计算任务的输入特征向量转换成对应的宽带调制电信号，并将所述宽带调制电信号发送到宽带调制器。
[0024]在本专利技术的一些实施方式中，光数据转换模块还包括：
[0025]宽带调制器，所述宽带调制器配置用于根据从第三任意波形发生器收到的宽带调制电信号对从光源发生器收到的光信号进行调制。
[0026]在本专利技术的一些实施方式中，第二计算模块还包括：
[0027]非线性运算单元，所述非线性运算单元配置用于对输入的多个光信号进行非线性计算。
[0028]在本专利技术的一些实施方式中，第二计算模块还包括：
[0029]光信号探测阵列，所述光信号探测阵列配置用于将所述第一计算模块输出的多路光信号转换成对应的电信号，并根据电信号进行矩阵加减运算。
[0030]通过本专利技术提出的一种全光神经网络加速系统，将神经网络中的输入特征数据和权重的矩阵相乘运算通过光信号实现，同时将神经网络中的激活运算也由光信号实现神经网络的全光加速，有效解决传统的光、电结合的方式中存在的速度慢功耗高的问题。
[0031]进一步，通过微环调制器(MRM)利用光的耦合效应，不需要经过数学推导过程，每一个微环对应权重矩阵的一个矩阵元。更快速、功耗更高地实现对神经网络相关的矩阵运算。
附图说明
[0032]为了更清楚地说明本专利技术实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0033]图1为本专利技术实施例提供的一种全光神经网络加速系统的结构示意图；
[0034]图2为本专利技术实施例提供的一种全光神经网络加速系统的第一计算模块的结构示意图；
[0035]图3为本专利技术实施例提供的一种全光神经网络加速系统的第一计算模块的结构示意图；
[0036]图4为本专利技术实施例提供的一种全光神经网络加速系统的光数据转换模块的结构示意图；
[0037]图5为本专利技术实施例提供的一种全光神经网络加速系统的第二计算模块的结构示意图；
[0038]图6为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全光神经网络加速系统，其特征在于，包括：控制模块、光数据转换模块、第一计算模块、第二计算模块，其中：所述控制模块配置用于将输入到所述系统的神经网络的计算任务转换成控制上述各个模块的控制指令，并将所述控制指令分别发送到上述各个模块；所述光数据转换模块配置用于根据所述控制模块的控制指令将神经网络的输入数据转换成对应的光信号，并将所述光信号输入到所述第一计算模块；所述第一计算模块包括若干个微环，并且配置用于将神经网络计算任务中的权重参数转换成对应的微环的调控电压，并通过所述若干微环对输入的光信号进行加权运算，并将加权后的光信号输入到所述第二计算模块；所述第二计算模块配置用于基于所述神经网络的计算任务的激活函数对所述第一计算模块输出的光信号进行非线性计算并将所述计算结果发送到所述控制模块。2.根据权利要求1所述的系统，其特征在于，所述第一计算模块包括：第一微环阵列，所述第一微环阵列包括若干微环，并且配置用于对输入到第一计算模块的光信号以光耦合的方式对光信号进行加权计算；第一任意波形发生器，所述第一任意波形发生器配置用于将所述神经网络计算任务的权重参数中高于或等于预定值的权重数据转换成第一权重数据，将所述第一权重数据转换成对应的调节电压，并将所述调节电压发送到所述第一微环阵列中对应的微环上。3.根据权利要求2所述的系统，其特征在于，所述第一计算模块还包括：第二微环阵列，所述第二微环阵列包括若干微环，并且配置用于对输入到第一计算模块的光信号以光耦合的方式对光信号进行加权计算；第二任意波形发生器，所述第二任意波形发生器配置用于将所述神经网络计算任务的权重参数中低于预定值的权重数据转换成第二权重数据，将所述第二权重数...

【专利技术属性】
技术研发人员：杜雅楠，
申请(专利权)人：山东云海国创云计算装备产业创新中心有限公司，
类型：发明
国别省市：