[发明专利]基于片上衍射神经网络的光学图神经分类网络、方法

说明书

本申请涉及光学神经网络计算技术领域，特别涉及一种基于片上衍射神经网络的光学图神经分类网络、方法，其中，网络包括：光学图特征提取模块，用于将图结构的输入节点属性信息编码至输入波导的输入光信号上，并提取通过片上衍射神经网络传播后的输出波导的输出光信号，利用输出光信号得到图特征信息；光学图特征聚合模块，用于将多个图结构的图特征信息进行聚合；分类模块，用于根据聚合后的多个图结构的图特征信息对多个图结构进行分类，得到多个图结构的分类结果。由此，解决了现有的光学神经网络都只能处理向量、矩阵等形式的规则数据结构，而不能处理图结构等非欧氏空间的数据结构的问题，可以利用片上集成的光学神经网络来处理社交网络、论文互引网络等图结构数据。

技术领域

本申请涉及光学神经网络计算技术领域，特别涉及一种基于片上衍射神经网络的光学图神经分类网络、方法。

背景技术

深度学习技术在广泛的人工智能(Artificial Intelligence，AI)应用中取得了巨大的进步，包括计算机视觉、语音识别、自然语言处理、自动驾驶汽车、生物医学科学等等。其核心是在CPU（Central Processing Unit，中央处理器）、GPU（Graphics ProcessingUnit，图像处理器）、TPU（Tensor Processing Unit，张量处理器）、FPGA（FieldProgrammable Gate Array，现场可编程逻辑门阵列。）等综合电子计算平台不断发展的驱动下，利用多层神经网络从大数据中学习复杂的特征。然而，随着人工智能发展需求的增加，电子计算性能正接近其物理极限，运行大规模深度神经模型会带来巨大的能量消耗。光子计算以光子为计算介质，利用其并行度高、功耗小、信号处理速度快等优点，构建光子神经网络，是近年来光子计算领域的研究热点。

近几年许多用来执行智能推理任务的光学神经网络结构被提出，如衍射深度神经网络、光干涉神经网络、光子脉冲神经网络，而且已经在语音识别、图像分类等任务中取得巨大进展。但是现有的光学神经网络都只能处理向量、矩阵等形式的规则数据结构，而不能处理图结构等非欧氏空间的数据结构。然而，各种科学领域分析的数据超越了这种欧氏空间范畴。作为典型的代表，图数据结构编码复杂系统中节点之间丰富的关系(边)，在现实世界中无处不在，从社会网络到化学分子。电子图神经网络(Graph Neural Networks，GNN)已经发展成为一种广泛的新型方法，能够很好地学习局部节点特征和图拓扑结构特征，以便在图结构数据上进行表示学习。在这些模型中，基于消息传递的GNN，通过可训练的变换矩阵提取节点特征生成消息，然后将消息传递到每个相邻节点，生成图的拓扑特征，由于其灵活性在分子性质预测、药物发现、基于骨骼的人体行为识别、时空预测等方面取得了显著的成功。然而，如何有效地利用光学计算来帮助基于图的机器学习仍然有待探索。

发明内容

本申请提供一种基于片上衍射神经网络的光学图神经分类网络、方法，可以实现高速、低功耗大规模图结构数据处理，使得全光学神经网络更好地完成各种类型的机器学习任务。

本申请第一方面实施例提供一种基于片上衍射神经网络的光学图神经分类网络，包括：光学图特征提取模块，用于将图结构的输入节点属性信息编码至输入波导的输入光信号上，并提取通过片上衍射神经网络传播后的输出波导的输出光信号，利用所述输出光信号得到图特征信息；光学图特征聚合模块，用于将多个图结构的图特征信息进行聚合；分类模块，用于根据聚合后的多个图结构的图特征信息对所述多个图结构进行分类，得到所述多个图结构的分类结果。

可选地，在本申请的一个实施例中，所述光学图特征提取模块包括：光学节点属性输入单元，用于通过调制器将所述图结构的输入节点属性信息编码至所述输入光信号的光强或相位上；片上衍射计算单元，包括集成设置的片上衍射神经网络，用于提取所述输出光信号的光强或相位，基于所述输出光信号的光强或相位得到所述图特征信息；光学节点特征聚合单元，用于通过波导和耦合器将所述图结构中多个相邻的输入节点的图特征信息进行拼接。

可选地，在本申请的一个实施例中，所述调制器包括电光调制器、声光调制器或热光调制器。