[发明专利]基于相变材料的可重构光学神经网络及其应用

说明书

本发明公开了一种基于相变材料的可重构光学神经网络及其应用，属于光学神经网络领域，包括：光信息输入层、可重构衍射层和探测输出层；可重构衍射层包括n个相互平行且间隔设置的光学衍射板，用于对入射光的强度分布进行调控，得到待测平面光；光学衍射板包括依次设置的基底、相变材料层和保护层，且相变材料层和保护层被划分为多个独立区域，形成多个单元，单元内的相变材料可在包括晶态和非晶态的多个状态之间切换；光信息输入层用于产生携带有输入图像信息且正入射可重构衍射层的入射平面光；探测输出层，用于探测待测平面光中m个预设位置处的功率大小，以确定图像分类结果。本发明能够提供可重构的全光神经网络，提高光学神经网络的灵活性。

技术领域

本发明属于光学神经网络领域，更具体地，涉及一种基于相变材料的可重构光学神经网络及其应用。

背景技术

随着计算机科学的发展，神经网络已经在生活中诸如大数据、图片识别等领域得到了广泛的应用。然而基于冯诺依曼结构的现代计算机所采用的串行运算机制在进行基于并行结构的神经网络训练与计算时是低效且高能耗的，因此在面对越来越复杂的网络结构和数据量时逐渐在算力和功耗上进入了瓶颈。为解决这一问题，全光神经网络被认为是一个有潜力的方案。

全光神经网络是一种基于光学器件实现的硬件网络，其优势在于由于信息由光承载，网络的计算可以以光速实现，并且能够明显降低功耗。目前全光神经网络主要有两条技术路线，其一是基于波导结构与可调光器件集成的片上方案，该方案集成度高但网络复杂度和总器件数随神经元总数增加而快速上升，扩展性有限。

另一种方案是基于自由空间光学衍射，该方案体积略大但扩展性和可靠性均优于片上方案，但是目前提出的自由空间衍射方案所实现的光学神经网络，在制成后其设计便是固定的，每个神经元的相位、振幅、传输/反射系数均不可更改，也即是说，网络权重、激活函数均不可更改，因此，只能实现单一预设功能，当功能发生变化时，需要重新设计新的光学神经网络，灵活性较差。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于相变材料的可重构光学神经网络及其应用，其目的在于，将晶态，非晶态与若干中间态下存在折射率差且具有非易失性的相变材料应用于神经元，使各神经元中激活函数偏移值可调，从而构建可重构的全光神经网络，提高光学神经网络的灵活性。

为实现上述目的，按照本发明的一个方面，提供了一种基于相变材料的可重构光学神经网络，用于实现图像分类，包括：光信息输入层、可重构衍射层和探测输出层；

可重构衍射层包括n个相互平行且间隔设置的光学衍射板，对应光学神经网络中的n个全连接层；光学衍射板包括依次设置的基底、相变材料层和保护层，且相变材料层和保护层被划分为多个独立区域，相应形成多个单元，每个单元内的相变材料可在多个状态之间切换，多个状态包括晶态和非晶态，光通过单元时受其中相变材料调控所产生的额外相移与相变材料的状态一一对应；每个单元对应光学神经网络中的一个神经元，相邻光学衍射板中单元间的衍射关系对应光学神经网络中的权重，光通过单元时受其中相变材料调控所产生的额外相移对应光学神经网络中激活函数的偏移值；n为正整数；

光信息输入层用于产生携带有输入图像信息且正入射可重构衍射层的入射平面光；

可重构衍射层，用于利用其中的光学衍射板对入射光的强度分布进行调控，得到待测平面光；

探测输出层，用于探测待测平面光中m个预设位置处的功率大小；m为类别数，且m个预设位置与m个类别一一对应，功率最大的预设位置所对应的类别为图像分类结果。

进一步地，相变材料至少具有晶态和非静态两种折射率不同的状态。

在一些可选的实施例中，相变材料为Sb₂Se₃。

进一步地，保护层材料应有较高熔点以防止相变材料相变时发生劣化，对入射光波段应有低吸收保证低传输损耗。