[发明专利]一种四输入逻辑运算的光子神经网络

说明书

本发明公开了一种四输入逻辑运算的光子神经网络，包括依次连接的电光调制单元、预处理单元、N层光子神经网络单元和第一光电转换单元；所述电光调制单元用于将输入的电信号转换为四维光信号并输出到预处理单元，所述预处理单元用于在四维光信号的基础上添加第五维信号，将四维光信号变为五维光信号，五维光信号向量的L2范数为定值，五维光信号再经过N层光子神经网络单元运算后输出特征结果到第一光电转换单元转化为电信号，得到最终的输出。本发明的电光混合的片上神经网络，具备高带宽、低损耗等优势。

技术领域

本发明属于神经网络技术领域，尤其涉及一种四输入逻辑运算的光子神经网络。

背景技术

在过去的几十年，电子集成芯片在集成度、运算速度方面不断提升，其发展态势符合著名的摩尔定律。如今微处理器所集成的晶体管数量可达数百亿个，晶体管的栅极长度仅为35nm，时钟频率达3GHz。依照国际半导体技术路线图(ITRS)预测，到2020年，要满足芯片容量的增长需求，晶体管栅极长度要缩小至4.5nm，时钟频率达73GHz。此时，巨大的能耗和显著的信号延迟成为集成电路发展难以逾越的障碍，摩尔定律或将终止。如何解决这个战略性问题成为了当前国际研究的一大重点。光波作为信息载体,具有带宽高、功耗低、延迟小、抗干扰强和带负载能力强等优点，远胜于电互连。据估计，光互连的通信数据容量比电互连高1000倍以上，其传输速度5-10倍，而其功耗仅为1/10左右。因此，光互连技术的发展将有望解决高速芯片之间和芯片上的带宽瓶颈问题，为实现大容量、高速率、低功耗的芯片间或芯片上互连奠定基础。

相比于光子AI芯片，光子AI计算在上个世纪就已经出现，最初使用空间光结构来模拟神经网络架构，并且经历了从松散架构向光子集成网络的发展历程。

此外，支撑光子AI芯片技术发展和应用拓展的周边构件和工具也在逐步涌现。模型和算法开发方面，一些针对光子神经网络的模型库和开发框架已经出现，包括基于Python编写的Neuroptica和Neurophox库等。而在电路方面，光子AI芯片所需的光调制器驱动芯片、跨阻放大芯片、高速AD/DA、DSP等单元在技术上已经有了一定的储备和积累。

最后，对于完成制作的光子AI芯片，直接在算法层面进行训练面临很大的挑战，某些光子计算架构甚至完全无法训练，这对其应用造成了极大的限制。作为一种妥协，目前主要是通过在电子计算机上对光子计算网络的仿真模型进行训练，再将训练出的模型参数加载到光子芯片上。

目前，光子AI芯片的应用场景主要有图像识别、语音识别、优化决策等。在图像理解、语义理解等应用场景的应用仍需与发展对应的算法所需的光子AI芯片技术。尽管如此，光子AI技术在AI领域的各个层面上都已经有了诸多的突破。

发明内容

为了克服集成电子电路巨大的能耗和显著的信号延迟，利用光子器件高带宽、低功耗的优势，本发明提出了一种四输入逻辑运算的光子神经网络，可以高速低能耗地进行四输入的逻辑运算。

本发明的一种四输入逻辑运算的光子神经网络，包括依次连接的电光调制单元、预处理单元、N层光子神经网络单元和第一光电转换单元。

所述电光调制单元用于将输入的电信号转换为四维光信号并输出到预处理单元，所述预处理单元用于对接收到的四维光信号进行预处理，具体为，在四维光信号的基础上添加第五维信号，将四维光信号变为五维光信号，五维光信号向量的L2范数为定值，五维光信号再经过N层光子神经网络单元运算后输出特征结果到第一光电转换单元转化为电信号，得到最终的输出。

借助第五维的添加可以使得所有输入信号的L2范数为一个定值，从而符合光子神经网络的输入要求，其实际的物理意义为输入光子神经网络的信号功率恒定。并且将四维信号扩展为五维信号可以使数据的特征量更容易显现出来，便于后续神经网络的训练。