【技术实现步骤摘要】
本专利技术涉及电材料设计和人工智能算法领域，具体地涉及一种端到端设计的光电混合计算系统和方法。
技术介绍
1、光学神经网络是将光技术、光连接技术和光器件技术结合而形成的一种新型网络，在其中，硬件部分承担计算功能，计算可以是机器学习中的分类任务，或通用的乘法算子等。光神经网络具有高带宽、高互联性、内在并行处理的特点。相比于电子神经网络，它能耗低、速度快，在终端部署时对算力要求低，有边缘计算、隐私计算的潜力。
2、现有的光神经网络一大方向是是基于衍射光学元件(doe)，doe的结构尺寸远大于波长，工艺主要基于3d打印等。在现有研究中，doe技术被应用于简单分类任务，如手写数字识别，由于其设计自由度受限，工艺误差等，计算精度和器件尺寸尚需进一步优化。
技术实现思路
1、本专利技术的目的在于提供一种基于超表面结构光学元件的端到端设计的光电混合计算系统和方法，以提高光神经网络计算准确率和效率。
2、本专利技术提供一种端到端设计的光电混合计算系统，所述光电计算系统包括依次设置的光信号处理模块、光电信号转换模块和计算模块；
3、所述光信号处理模块包括依次设置的滤光元件和超表面结构光学元件，所述滤光元件包括多个相互平行、呈阵列并行排布设置的滤光片，每个所述滤光片分别具有不同的中心波长，所述超表面结构光学元件包括衬底和形成于其上的纳米级的结构单元，所述结构单元在所述衬底上呈阵列排布；
4、所述滤光元件被配置为将入射光分解为多路并行的不同波长光，所述超表
5、所述光电信号转换模块被配置为接收不同波长光并将其转换为对应的电信号；
6、所述计算模块被配置为对转换得到的所述电信号进行计算获得分类结果。
7、作为本专利技术的进一步改进，所述滤光片的光谱可以分别具有不同展宽，所述滤光片展宽为高斯分布形式或长尾分布形式或基于实验测得的展宽形式，所述计算模块被配置为适配于任意展宽形式。
8、作为本专利技术的进一步改进，所述光电信号转换模块包括cmos传感器芯片，所述cmos传感器芯片被配置为在不同区域接收不同波长的光，并根据不同波长光的强度转换为对应的电信号。
9、作为本专利技术的进一步改进，所述超表面结构光学元件包括sio2衬底，在所述sio2衬底上形成有由单晶硅基元所构成的所述结构单元。
10、作为本专利技术的进一步改进，所述结构单元的几何形状为圆柱体和/或椭圆主体和/或长方体，圆柱体和/或椭圆主体和/或长方体，和/或镂空的圆柱体和/或镂空的椭圆主体和/或镂空的长方体，以及上述几何形状旋转后的形状。
11、作为本专利技术的进一步改进，所述计算模块被配置用于执行神经网络计算，并对不同波长光对应的电信号进行并行计算。
12、作为本专利技术的进一步改进，在所述计算模块中，神经网络将输入的光强度阵列电信号映射到分类结果，映射过程计算公式为：
13、
14、其中，o为电子神经网络的输出结果，f为神经网络的映射函数，i为一束光的波长，si为i波长的光在cmos传感器芯片处得到的光强，w为第i个波长对应的可训练权重，u为滤光片能透过的波长集合；
15、神经网络的损失计算公式为：
16、
17、其中，l为损失函数，c为样本编号，y为当前样本标签，oj为神经网络输出中下标为j位置的值。
18、作为本专利技术的进一步改进，在神经网络中，所述可训练参数至少包括所述结构单元的几何形状、尺寸、排列方式，和所述滤光片的中心波长。
19、作为本专利技术的进一步改进，所述计算模块被配置用于执行简单统计计算、或被配置用于执行基于预设系数的加权平均计算。
20、作为本专利技术的进一步改进，所述端到端设计的光电混合计算系统还包括设置于所述超表面结构光学元件之前的准直光学元件。
21、本专利技术还提供一种端到端设计的光电混合计算方法，其包括步骤：
22、将入射光通过互相平行呈阵列排布的滤光片阵列，分解为并行的不同波长的光；
23、将入射光通过超表面结构光学元件进行调控；
24、基于不同波长的光的强度，将不同波长的光转换为对应的电信号；
25、根据电信号计算得到分类结果。
26、作为本专利技术的进一步改进，所述基于不同波长的光的强度，将不同波长的光转换为对应的电信号，具体包括：
27、将不同波长的光折射到cmos传感器芯片不同区域，分别记录不同波长光的强度，并将其转换为对应的电信号。
28、作为本专利技术的进一步改进，在所述根据电信号计算得到分类结果中，采用神经网络计算、或采用简单统计计算、或采用基于预设系数的加权平均计算。
29、本专利技术的有益效果是：本专利技术提供一种端到端设计的光电混合计算系统和端到端设计的光电混合计算方法，基于超表面结构光学元件构建的光学神经网络系统，厘米级分类能力的超表面结构对入射光能够进行更为有效的编码。通过互相平行呈阵列排布的滤光片阵列将入射光分解为多条并行的不同波长光，相比于单一光谱，多个光谱所包含的信息更加丰富，而分解后的光又是天然并行的，未增加计算或存储负担，显著提升了学习模块模型分类的准确率。光学神经网络系统同时具有光计算和电子神经网络的优势，光计算在电源效率、可扩展性和计算速度方面具有优势，而轻量级的电子神经网络则可增强模型的鲁棒性，增大工艺窗口，降低工艺误差带来的负面影响，优化模型效果。整个系统采用端到端的训练方式，在设计的损失函数推动下，能够同时对光计算中多路并行的信息调控和电子神经网络中的分类权重进行优化，使微型化系统整体效果达到最优。
本文档来自技高网...【技术保护点】
1.一种端到端设计的光电混合计算系统，其特征在于：
2.根据权利要求1所述的端到端设计的光电混合计算系统，其特征在于，所述滤光片的光谱可以分别具有不同展宽，所述滤光片展宽为高斯分布形式或长尾分布形式或基于实验测得的展宽形式，所述计算模块被配置为适配于任意展宽形式。
3.根据权利要求2所述的端到端设计的光电混合计算系统，其特征在于，所述光电信号转换模块包括CMOS传感器芯片，所述CMOS传感器芯片被配置为在不同区域接收不同波长的光，并根据不同波长光的强度转换为对应的电信号。
4.根据权利要求3所述的端到端设计的光电混合计算系统，其特征在于，所述超表面结构光学元件包括SiO2衬底，在所述SiO2衬底上形成有由单晶硅基元所构成的所述结构单元。
5.根据权利要求4所述的端到端设计的光电混合计算系统，其特征在于，所述结构单元的几何形状为圆柱体和/或椭圆主体和/或长方体，和/或镂空的圆柱体和/或镂空的椭圆主体和/或镂空的长方体，以及上述几何形状旋转后的形状。
6.根据权利要求3所述的端到端设计的光电混合计算系统，其特征在于，所述计算
7.根据权利要求6所述的端到端设计的光电混合计算系统，其特征在于，在所述计算模块中，神经网络将输入的光强度阵列电信号映射到分类结果，映射过程计算公式为：
8.根据权利要求7所述的端到端设计的光电混合计算系统，其特征在于，在神经网络中，所述可训练参数至少包括所述结构单元的几何形状、尺寸、排列方式，和所述滤光片的中心波长。
9.根据权利要求1所述的端到端设计的光电混合计算系统，其特征在于，所述计算模块被配置用于执行简单统计计算、或被配置用于执行基于预设系数的加权平均计算。
10.根据权利要求1所述的端到端设计的光电混合计算系统，其特征在于，所述端到端设计的光电混合计算系统还包括设置于所述超表面结构光学元件之前的准直光学元件。
11.一种端到端设计的光电混合计算方法，其特征在于，包括步骤：
12.根据权利要求11所述的端到端设计的光电混合计算方法，其特征在于，所述基于不同波长的光的强度，将不同波长的光转换为对应的电信号，具体包括：
13.根据权利要求11所述的端到端设计的光电混合计算方法，其特征在于，在所述根据电信号计算得到分类结果中，采用神经网络计算、或采用简单统计计算、或采用基于预设系数的加权平均计算。
...【技术特征摘要】
1.一种端到端设计的光电混合计算系统，其特征在于：
2.根据权利要求1所述的端到端设计的光电混合计算系统，其特征在于，所述滤光片的光谱可以分别具有不同展宽，所述滤光片展宽为高斯分布形式或长尾分布形式或基于实验测得的展宽形式，所述计算模块被配置为适配于任意展宽形式。
3.根据权利要求2所述的端到端设计的光电混合计算系统，其特征在于，所述光电信号转换模块包括cmos传感器芯片，所述cmos传感器芯片被配置为在不同区域接收不同波长的光，并根据不同波长光的强度转换为对应的电信号。
4.根据权利要求3所述的端到端设计的光电混合计算系统，其特征在于，所述超表面结构光学元件包括sio2衬底，在所述sio2衬底上形成有由单晶硅基元所构成的所述结构单元。
5.根据权利要求4所述的端到端设计的光电混合计算系统，其特征在于，所述结构单元的几何形状为圆柱体和/或椭圆主体和/或长方体，和/或镂空的圆柱体和/或镂空的椭圆主体和/或镂空的长方体，以及上述几何形状旋转后的形状。
6.根据权利要求3所述的端到端设计的光电混合计算系统，其特征在于，所述计算模块被配置用于执行神经网络计算，并对不同波长光对应的电信号进行并行计算。
7....
【专利技术属性】
技术研发人员：宋凯，孙磊，
申请(专利权)人：苏州山河光电科技有限公司，
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。