[发明专利]基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器

权利要求书

1.基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：包括若干个瓦片结构，各个瓦片结构之间通过路由器进行通信；

所述瓦片结构包括非线性模块、输入输出模块和光学矩阵向量乘法模块，所述非线性模块用于行非线性运算，所述输入输出模块用于与路由器进行数据传输，所述光学矩阵向量乘法模块包括脉冲处理模块、调制模块、卷积模块以及光电转换模块；所述脉冲处理模块包括基于复用器的复用模块和基于分光器的分光模块，所述基于复用器的复用模块用于实现不同谐振波长的复用，所述基于分光器的分光模块用于将单一脉冲分成多个光脉冲；所述调制模块包括若干个全通型环形谐振器，用于对输入的光脉冲进行调制；所述卷积模块包括若干个嵌有非易失性相变材料的上下话路型环形谐振器，用于存储权重值，并实现卷积计算；所述光电转换模块由若干个平衡光电二极管及一个电流加法器组成，平衡光电二极管用于将光脉冲转换成电流并实现电流的相减，电流加法器用于将所有电流值相加，得到一个卷积特征，将该卷积特征作用于非线性模块。

2.根据权利要求1所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：所述光学矩阵向量乘法模块将N个输入光脉冲经过复用器与分光器之后被分成M个光脉冲，分别输入M个波导中；每个调制模块由N×M个全通型环形谐振器组成；每个卷积模块由N×M个上下话路型环形谐振器组成；每个光电转换模块包含M个平衡光电二极管，将M个波导的输出进行光电转换并实现减法运算。

3.根据权利要求1或2所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：所述全通型环形谐振器由一个直波导与一个第一环形波导组成；所述上下话路型环形谐振器由两个直波导和一个第二环形波导组成，所述第二环形波导中包含一段非易失性相变材料，当第二环形波导中光波的往返相移等于2π的整数倍时，谐振腔处于谐振状态，此时输入光信号完全从下降端口输出，当谐振腔失谐时，下降端口的输出功率值下降，通过端口的输出功率增加。

4.根据权利要求3所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：向所述全通型环形谐振器外加电源，采用电调制的方式调制输入脉冲。

5.根据权利要求3所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：所述平衡光电二极管分别接收下降端口和通过端口流出的光脉冲，实现电流的相减，然后流入一个电流加法器。

6.根据权利要求1或2或4或5所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：所述非线性模块中，采用移位相加运算将中间结果保存在输出缓冲器内，并将该结果发送到激活单元，然后运用非线性函数对中间结果进行非线性运算，运算结果保存在随机存取存储器中，用于下一层处理。

7.根据权利要求6所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：所述非线性函数包括sigmoid函数及maxpool函数。

8.根据权利要求6所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：还包括数模转换器和模数转换器，所述数模转换器用于将数字信号转换成模拟信号，该模拟信号将用于调制输入阵列；所述模数转换器用于将卷积运算后的模拟信号转换成数字信号。

9.根据权利要求6所述基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器，其特征在于：还包括光脉冲模块，用于向卷积模块施加光脉冲以修改或擦除内部存储的权重值。