[发明专利]一种基于波分复用的光子张量计算加速方法及装置

说明书

本发明公开了一种基于波分复用的光子张量计算加速方法及装置，本发明首先将多波长光信号分为M个各包含O个波长的子光信号并送入M个调制器，M个待处理信号分别通过对应的调制器加载到对应的子光信号上得到M个子调制光信号；子调制光信号送入延时加权微环阵列，控制延时加权微环阵列中M个延时加权微环单元中共M×O个微环的耦合系数分别实现M×O个波长信号幅度加权；幅度加权后的M个子调制光信号送入波束整形器实现二级幅度加权得到N个加权调制多波长光信号，对上述信号完成光电转换即可完成张量计算。本发明将光作为信息载体，基于延时加权微环阵列与波束整形器，可实现信号的张量计算加速，大幅提高神经网络的计算速率及能效比。

技术领域

本发明涉及一种面向人工智能的光子张量计算加速方法，和一种光子张量计算加速装置，属于光子计算领域。

背景技术

将多维数据叠加形成一个张量，为发现隐藏在数据中的内在结构特征提供了机会，例如，脑电图数据的多维表征是利用时间、空间以及频谱叠加的张量检测电磁波特征信息，是神经科学数据处理的有效方式。而张量计算则是多维信号处理的数学基础，在张量的基本计算中，卷积计算是提取数据结构特征的有效方法。作为一个缩影，卷积神经网络是在多通道张量处理的概念下设计的，在现代人工智能(AI)中起着基础性作用(参见[CichockiA, Mandic D, De Lathauwer L, et al. Tensor decompositions for signalprocessing applications: From two-way to multiway component analysis. IEEEsignal processing magazine, 2015, 32(2): 145-163.]与[He K, Zhang X, Ren S, etal. Deep residual learning for image recognition,Proceedings of the IEEEconference on computer vision and pattern recognition. 2016: 770-778.])。为了提高计算吞吐量，主流处理器将张量卷积变换为矩阵乘法，以提高计算的并行性，由于目前电子芯片采用将程序空间与数据空间分离的经典计算机结构，这种降维转换会产生重复数据并消耗额外内存，限制计算效率。以光子作为信息载体的光子技术具有大带宽、低损耗以及可并行等特点, 目前已吸引研究人员将光子技术应用在人工智能领域（参见[Shastri BJ, Tait A N, Ferreira de Lima T, et al. Photonics for artificial intelligenceand neuromorphic computing. Nature Photonics, 2021, 15(2): 102-114.]）。将光子技术与传统张量计算模型相结合，有望充分发挥两种技术的优势，突破电域张量计算高功耗、长延时、速度有限的技术发展瓶颈，解决传统电子技术受限的技术问题（参见[Huang C,Fujisawa S, de Lima T F, et al. A silicon photonic–electronic neural networkfor fibre nonlinearity compensation. Nature Electronics, 2021, 4(11): 837-844.]）。首先，光子神经网络采用模拟计算架构，存算同时进行，在提高计算速度的同时能够降低计算时延；其次，基于光传输介质的本质特性，光链路具有低损耗特性，间接可降低系统功耗；最后，光子器件相对电子器件，有效工作带宽增加了几个数量级，更适应神经网络的高速实时计算。

发明内容

本发明所要解决的技术问题在于：克服现有技术不足，利用包含延迟波导的微环谐振器阵列结合波束整形器在光域实现张量信号的张量计算，解决传统电子技术存算分离及数据维度转换造成的算力有限及功耗大问题，且张量核可灵活扩展，适用于多维数据张量计算。

本发明具体采用以下技术方案解决上述技术问题：