【技术实现步骤摘要】
本专利技术涉及人工智能硬件加速，特别涉及一种基于光计算的神经网络加速器。
技术介绍
1、近年来，人工智能技术的快速发展对计算硬件的算力需求呈指数级增长。深度学习模型在图像识别、自然语言处理、自动驾驶等领域广泛应用，但其庞大的参数量与复杂的计算流程导致传统电子计算面临训练时间成本的开销及巨大的能耗开支挑战。基于冯诺依曼架构的电子芯片受限于存算分离设计，数据在处理器与存储器间的频繁迁移导致高延迟与高功耗，尤其在处理神经网络中密集的矩阵乘法与卷积运算时，能效比急剧下降。此外，半导体工艺逼近物理极限后，晶体管的量子隧穿效应与热噪声问题进一步限制了芯片算力密度的提升。尽管gpu、tpu等专用加速器通过并行计算优化部分性能，但其本质仍依赖电子信号处理，难以突破“内存墙”与“功耗墙”的双重桎梏。人们亟需探索一条新的计算发展方向，以支持当前人类对于神经网络大规模训练的算力需求。
2、光计算技术因其超高速、高并行性及低功耗特性，成为突破上述瓶颈的重要方向。光子以光速传播，可在光域直接完成线性运算(如矩阵乘法、卷积)，无需频繁光电转换，显著降低...
【技术保护点】
1.一种基于光计算的神经网络加速器，其特征在于，包括光卷积模块、光全连接模块；
2.根据权利要求1所述的基于光计算的神经网络加速器，其特征在于，所述光卷积模块，用于进行光卷积计算，步骤如下：
3.根据权利要求2所述的基于光计算的神经网络加速器，其特征在于，步骤1.1中，通过优化数据编码方式将二维图像信号展开成一维张量，减少数据冗余率，具体方法如下：
4.根据权利要求3所述的基于光计算的神经网络加速器，其特征在于，所述优化数据编码方式，冗余率为：
5.根据权利要求2所述的基于光计算的神经网络加速器，其特征在于，所述光全连接...
【技术特征摘要】
1.一种基于光计算的神经网络加速器，其特征在于，包括光卷积模块、光全连接模块；
2.根据权利要求1所述的基于光计算的神经网络加速器，其特征在于，所述光卷积模块，用于进行光卷积计算，步骤如下：
3.根据权利要求2所述的基于光计算的神经网络加速器，其特征在于，步骤1.1中，通过优化数据编码方式将二维图像信号展开成一维张量，减少数据冗余率，具体方法如下：
4.根据权利要求3所述的基于光计算的神经网络加速器，其特征在于，所述优化数据编码方式，冗余率为：
5.根据权利要求2所述的基于光计算的神经网络加速器，其特征在于，所述光全连接模块，用于进行光全连接计算，步骤如下：
...【专利技术属性】
技术研发人员：邹宁睦，徐博，邵森，谢佳晨，郭伊笑，邸康健，李嘉树，
申请(专利权)人：南京大学，
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。