[发明专利]光学神经网络装置、芯片及神经网络计算的光学实现方法有效
| 申请号： | 202011074844.2 | 申请日： | 2020-10-09 |
| 公开（公告）号： | CN112308224B | 公开（公告）日： | 2023-08-11 |
| 发明（设计）人： | 王磊;肖希;李维忠;胡晓;李淼峰;陈代高 | 申请（专利权）人： | 武汉光谷信息光电子创新中心有限公司 |
| 主分类号： | G06N3/067 | 分类号： | G06N3/067;G06N3/0464;G06N3/08 |
| 代理公司： | 北京派特恩知识产权代理有限公司 11270 | 代理人： | 朱磊;张颖玲 |
| 地址： | 430074 湖北省武汉市东湖*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明实施例提供一种光学神经网络装置、芯片及神经网络计算的光学实现方法。其中，装置包括：光产生子装置，用于产生N路不同波长的光信号；N为＞1的整数；第一调制子装置，用于根据N个第一电压，分别对N路光信号的强度进行调制，得到N路第一光信号；第一转换子装置，用于将N路第一光信号进行并串转换，得到第二光信号；分光器，用于将第二光信号分成N路第三光信号；第二调制子装置，用于根据N个第一电压集，分别对N路第三光信号的强度进行调制，得到N路第四光信号；第二转换子装置，用于将N路第四光信号中每一路分别进行串并转换，得到N路第五光信号；处理子装置，用于基于N路第五光信号，调整N个第一电压及N个第一电压集的值。 | ||
| 搜索关键词： | 光学 神经网络 装置 芯片 计算 实现 方法 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于武汉光谷信息光电子创新中心有限公司，未经武汉光谷信息光电子创新中心有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202011074844.2/，转载请声明来源钻瓜专利网。
- 上一篇：一种格栅地板
- 下一篇：一种便于滤渣清理的禽舍养殖用污水处理装置
- 同类专利
- 一种基于光学多神经元激活函数模块的光电计算机-202310909546.8
- 金潮渊;刘逸丰;李晨晖;翁海中;王博文;黄科杰 - 浙江大学
- 2023-07-24 - 2023-10-27 - G06N3/067
- 本发明公开了一种基于光学多神经元激活函数模块的光电计算机，属于计算机领域。本发明的光电计算机由n个神经网络串联构成，每一神经网络分为光源模块、全光矩阵运算模块、光学多神经元激活函数模块、驱动信号生成模块。光学多元神经元激活函数模块的输入为包含多个神经元信息的2维、多像素点的图形，输出为并行的多波长信号。本发明神经网络中的矩阵运算过程、多神经元的非线性激活过程都为并行过程，大大提高了网络的并行度和速度。本发明实现了在全光域内通过一个器件(模块)并行完成多个神经元的激活函数运算，大大提高了架构的集成度、降低了复杂性；光学多神经元激活函数模块也由于其全光特性，节约了能耗、提高了运行速率。
- 光卷积集成芯片-202310832053.9
- 魏源;赵振宇 - 深圳中科天鹰科技有限公司
- 2023-07-07 - 2023-10-20 - G06N3/067
- 本发明公开了一种光卷积集成芯片，包括依次耦合连接的卷积核生成模块、调制器、延时器和探测器；卷积核生成模块用于生成卷积核，卷积核由振幅不完全相同的多个波长成分组成；调制器用于将待卷积数据加载至卷积核上，记为基础数据；延时器用于对基础数据进行色散延迟，得到不同时刻下不同波长成分的叠加；探测器用于输出色散延迟并叠加后的基础数据。本发明的光卷积集成芯片，利用光学原理，实现对待卷积数据的卷积操作，其结构简单、性能稳定、体积小、能耗低，可直接集成于光学人工神经网络中，应用范围广。
- 一种基于超构表面的全光衍射神经网络系统-202110852321.4
- 胡跃强;罗栩豪;张毅;李苓;段辉高 - 湖南大学
- 2021-07-27 - 2023-10-20 - G06N3/067
- 本发明公开了一种基于超构表面的全光衍射神经网络系统，由入射物体光束、超构表面与CMOS图像处理器所组成；神经网络的层与层之间的传输通过光的衍射实现；用光学透明粘合剂与CMOS图像处理器胶合实现集成，通过CMOS图像处理器观测不同入射物体光束在探测区域的光强，实现多功能分类识别功能。基于超构表面的衍射神经网络具有更小的尺寸，易于实现片上集成；并且超构表面对相位、振幅与偏振的同时调控一方面可以增加设计自由度，减少神经网络的层数以避免多层对准困难的问题，另一方面超构表面的灵活性为衍射神经网络增加了一些复杂的功能，最终获得一种性能优良的无源多功能器件。
- 一种光子卷积神经网络芯片-202310770380.6
- 祝连庆;丁静雅;于明鑫;鹿利单 - 北京信息科技大学
- 2023-06-28 - 2023-10-13 - G06N3/067
- 本发明提供了一种光子卷积神经网络芯片，包括光脉冲发射器、输入数据映射器和卷积核权重映射器，光脉冲发射器，用于生成m行光脉冲，每一行光脉冲包括n个不同波长的光脉冲，所有光脉冲的光强度相同；输入数据映射器包括第一阵列，用于对输入的图像数据与光脉冲调制成映射关系，使光脉冲携带图像数据；卷积核权重映射器包括第二阵列，用于对携带图像数据的光脉冲与卷积核权重调制成映射关系，并对光脉冲携带的图像数据进行卷积运算；第二阵列连接平衡探测器，平衡探测器连接至一个跨阻放大器。本发明在光子计算芯片上将卷积神经网络算法中卷积层的卷积核权重值从[‑1,1]扩展到整个实数域区间，提高光子混合神经网络对图片数据集的分类准确率。
- 基于光电计算单元的混合型神经网络及其运算方法-202010322172.6
- 王瑶;梅正宇;王宇宣;陈轩 - 南京惟心光电系统有限公司
- 2020-04-22 - 2023-10-13 - G06N3/067
- 本发明公开了一种基于光电计算单元的混合型神经网络及其运算方法。该混合型神经网络的神经计算核结构包括突触网络、轴突、数据接收器、选择器、树突以及神经元，多个光电计算单元周期性排列组成的阵列作为突触网络，每个光电计算单元包括发光单元和计算单元，发光单元发出的光入射到计算单元中；每个计算单元包括载流子控制区、耦合区、以及光生载流子收集区和读出区；阵列中每一行计算单元的载流子控制区依次相连作为轴突，轴突中的载流子控制区与数据接收器相连；阵列中每一列计算单元的读出区依次相连作为树突，树突的读出区输出端与神经元相连接。本发明的神经网络在实际运行中无需反复访问片外存储器，达到了降低功耗的效果。
- 一种基于动力学类脑架构的计算系统、数据存储及检索装置-202210291665.7
- 裴正奇;王树徽;张静 - 北京芯水科技有限公司
- 2022-03-22 - 2023-10-10 - G06N3/067
- 本发明提供一种计算系统以及利用所述计算系统进行数据存储和检索的方法，所述计算系统包括一层或者多层亚系统，每层亚系统包括一个或者多个运算单元，承载所述一个或者多个运算单元的载体，以及用于向所述载体输入和/或从所述载体输出信号的输入/输出组件；其中，通过所述输入/输出组件输入到所述载体的信号在所述载体中扩散传播，在各个扩散处的强度与传播的距离相关；所述一个或者多个运算单元在所述载体中分别处于不同的位置，每个所述运算单元可以被控制在所述载体中自由运动或者保持位置不变，以及根据所接收到的在载体中扩散的所述信号和所述运算单元自身的物理状态改变其位置和/或产生输出信号。
- 智能光计算终身学习架构系统与装置-202310732431.6
- 方璐;程远 - 清华大学
- 2023-06-20 - 2023-10-03 - G06N3/067
- 本发明公开了智能光计算终身学习架构系统与装置，该系统包括：多光谱表征层，用于将原始输入的包含多任务的电信号通过多光谱表征为不同波长的相干光；终身学习光神经网络层，包括光学系统的傅立叶平面中级联的稀疏光卷积层，通过对输入级联的稀疏光卷积层不同波长的相干光进行终身学习光神经网络的多任务逐步训练，并通过终身学习光神经网络层输出最终空间光信号；电网络读出层，用于识别最终空间光信号检测得到的最终光学输出数据，以得到多任务识别结果。本发明实现多任务及高性能的机器智能计算，通过自适应地激活相干光场中的稀疏光连接来学习每个任务，同时通过逐渐扩大激活连接来逐步获得对各种任务的经验信息。
- 一种基于光注入的并行光储备池计算性能提升系统及方法-202310863005.6
- 张力月;彭凌;李松穗;潘炜;闫连山;罗斌;邹喜华 - 西南交通大学
- 2023-07-14 - 2023-09-29 - G06N3/067
- 本发明公开了一种基于光注入的并行光储备池计算性能提升系统及方法，包括输入层，用于将初始数据经过采样、保持后与一个掩码信号相乘生成光储备池的调制信号，通过设置光源，将调制信号加载为光源的相位信息，输入层的调制信号经过调制后注入到储备池层；储备池层，通过引入外部光注入进一步调节光反馈半导体激光器的固有时间，降低虚拟节点间隔的取值，通过分别调整两个光反馈半导体激光器参数，按照节点间隔在一个时延反馈周期内对从激光器的输出进行采样,分别获得两个并行储备池系统的状态向量。具有实现新型的时延光储备池系统结构，能够在优化储备池计算系统性能的同时突破其信息处理速率瓶颈的优点。
- 一种结合波分复用和MZI级联网络的矩阵运算加速器-202310642207.8
- 潘炜炜;姚偌云;宫敏;彭张皖;吉晨 - 浙江大学
- 2023-05-31 - 2023-09-29 - G06N3/067
- 本申请提出了一种结合波分复用和MZI级联网络的矩阵运算加速器，涉及光学神经网络领域，包括：输入信号层，用于通过马赫曾德尔干涉仪阵列实现光信号的矩阵运算；权重信号层，用于为微环调制器阵列施加电信号，以调节权重信号；求和层，用于将不同波长的光信号经过权重信号的作用结果分离开；非线性层，用于通过光电探测器阵列将光信号转换为电信号，在电域内实现非线性激活函数。本申请通过在MZI级联形成的网络中通过引入N个不同的波长使得每次实现执行矩阵运算的次数扩大N倍，有利于执行高速的卷积运算，且由于微环调制器的尺寸相对较小，能有效增加MZI级联网络计算的能效与面积比。
- 基于大规模动态超表面的光电计算芯片及其制备方法-202310593991.8
- 姬宇航;王钰言;董星辰;范静涛 - 启元实验室
- 2023-05-24 - 2023-09-26 - G06N3/067
- 本发明提供基于大规模动态超表面的光电计算芯片及其制备方法，光电计算芯片包括：基底和若干计算核；各计算核设置于基底的第一表面上；计算核结构自上而下依次包括：光电神经形态器件、超表面层与动态超表面器件。通过本发明，多计算核解决了大规模动态超表面的生长随机性对准确率的影响，分散了随机因子，结合动态的超表面结构光场调控，可以提升任务执行的准确率和计算速率，可实现可重构的神经网络；通过对部分神经元的调节，在集成了非线性光电神经形态器件的感算一体功能的情况下，可以降低芯片的功耗，提升芯片复杂任务的处理能力；该光电计算芯片可以解决光电芯片在非线性，大规模集成，可重构和复杂场景应用的瓶颈问题。
- 光学神经网络的全光非线性激活函数实现方法、装置-202010696295.6
- 李强;田野;刘胜平;赵洋;王玮;冯俊波;郭进 - 联合微电子中心有限责任公司
- 2020-07-20 - 2023-09-26 - G06N3/067
- 本发明公开了一种光学神经网络的全光非线性激活函数实现方法和装置。方法包括步骤：获取待处理信号光信号、与待处理信号光信号相干的参考光信号；将待处理信号光信号与参考光信号输入至第一移相模块，第一移相模块对待处理信号光信号与参考光信号进行移相操作得到第一阵列的光学信号；将第一阵列的光学信号输入光学干涉模块，在光学干涉模块中对第一阵列的光学信号进行非线性运算得到第二阵列的光学信号，第二阵列的光学信号作为待处理的信号光信号的非线性响应输出。本发明技术方案解决了已有光学非线性函数计算单元对光功率和跨阻放大器的要求高的问题，且参数可调能提供的非线性函数灵活可控。
- 光学神经网络芯片及其计算方法-202011121099.2
- 王瑞廷;王鹏飞;罗光振;张冶金;周旭亮;于红艳;王梦琦;潘教青;王圩 - 中国科学院半导体研究所
- 2020-10-19 - 2023-09-22 - G06N3/067
- 本公开提供了一种光学神经网络芯片及其计算方法，包括：光子权重模块，用于实现多个权重的编码，并基于多个权重的编码，调节输入信号中包括的多个不同波长的光信号的幅值，实现各波长的光信号表示的输入数据分别与多个权重的光学乘加计算；光子偏置模块，用于实现多个偏置的编码；光电探测器阵列，用于探测多个光学乘加计算与多个偏置一一对应的求和计算的结果。该芯片及计算方法利用光子实现神经网络计算，通过波分复用对不同的数据进行表示，提高了计算并行度，通过两次编码实现光学神经网络芯片的正负值计算，提高了光学神经网络芯片的计算性能。
- 光学神经网络芯片及其计算方法-202011121100.1
- 王瑞廷;王鹏飞;罗光振;张冶金;周旭亮;于红艳;王梦琦;潘教青;王圩 - 中国科学院半导体研究所
- 2020-10-19 - 2023-09-22 - G06N3/067
- 本公开提供了一种光学神经网络芯片及其计算方法，包括：光子权重模块，用于实现多个权重的编码，并基于多个权重的编码，调节输入信号中包括的多个不同波长的光信号的幅值，实现各波长的光信号表示的输入数据分别与多个权重的光学乘加计算；光子偏置模块，用于实现多个偏置的编码；光电探测器阵列，用于探测多个光学乘加计算与多个偏置一一对应的求和计算的结果。该芯片及计算方法利用光子实现神经网络计算，可以大幅度提高计算速度并降低计算能耗，通过波分复用对不同的数据进行表示，提高了芯片的计算性能。
- 一种感受野模块、脉冲耦合电子视网膜及其实现方法-202310762018.4
- 韩传余;任文君;王瑞麟;杨世强 - 西安交通大学
- 2023-06-26 - 2023-09-19 - G06N3/067
- 本发明公开了一种感受野模块、脉冲耦合电子视网膜及其实现方法，包括脉冲型电子光感受器阵列以及电子视神经元；脉冲型电子光感受器包括光敏莫特忆阻器及串联电阻，其中，光敏莫特忆阻器的正端连接电源，光敏莫特忆阻器的负端与串联电阻的一端相连接，串联电阻的另一端接地；脉冲型电子光感受器阵列中脉冲型电子光感受器的数目为n个，电子视神经元包括MIFG晶体管及莫特忆阻器，其中，MIFG晶体管的n+1个栅极输入端分别与n个光敏莫特忆阻器的输出信号端及公共控制信号端相连接，MIFG晶体管的源极接地；莫特忆阻器的正极与电源相连接，莫特忆阻器的负极与MIFG晶体管的漏极相连接，该视网膜及其实现方法具有计算速度快以及功耗较低的特点。
- 一种可大规模扩展的非易失性片上光学神经网络-202310405702.7
- 林宏焘;李钧颖;许恺;魏茂良;杨松涛;皮龙城;王子骏 - 浙江大学
- 2023-04-17 - 2023-09-15 - G06N3/067
- 本发明公开了一种可大规模扩展的非易失性片上光学神经网络，该网络涉及一个制备在标准绝缘体上硅材料平台的权重调制单元阵列，每个可调控单元均设计有相应的非易失/易失性一体化集成相移器；该网络基于如热光调控等易失性调控方案完成神经网络的训练过程；基于相变材料的电脉冲调控方案，实现网络权重系数的非易失性调控；本发明的基本单元器件的光谱响应中仅存在单谐振模式，该特性将极大地增加波分复用型光学神经网络的信道数量和并行数据吞吐量；快速易失性调谐结合非易失性相变存储的设计方案在满足神经网络等应用中进行高频刷新需求的同时，兼顾了光学神经网络调控能耗的关键问题。
- 一种用于多通道数据处理的光子张量卷积计算方法与系统-202310789577.4
- 汤凯飞;辛瑜;刘嘉慧;暨翔;王健涛;江伟 - 南京大学
- 2023-06-30 - 2023-09-12 - G06N3/067
- 本发明公开了一种用于多通道数据处理的光子张量卷积计算方法与系统。该系统包括多波长光源、高速调制器、信号发生单元、加权单元、延时单元、平衡光电探测器以及信号处理单元，以及输入信号的多通道张量重构算法。本发明通过改进张量数据矢量化规则，将高阶张量中不同通道的元素重新排列成一维向量，基于时间、空间、频率三维复用的技术，只需要一个调制器和一套信号发生单元，即可实现单一光学链路同时任意多通道张量数据的卷积计算，且多通道数据的滑动卷积在一次计算中即可直接完成，可以释放更多的物理硬件资源来执行多张量并行运算，完成更简洁高效的光子张量卷积运算，大大增加了该方案的集成性和可扩展性。
- 神经形态智能光计算架构系统与装置-202310735709.5
- 方璐;程远 - 清华大学
- 2023-06-20 - 2023-09-12 - G06N3/067
- 本发明公开了神经形态智能光计算架构系统与装置，该系统包括：多通道表征模块，通过多光谱激光器将原始输入的目标光场信号编码为不同波长的相干光；注意力感知光神经网络模块，包括BU和TD光注意力模块，通过将不同波长的相干光输入至BU光注意力模块，并通过对注意力感知光神经网络进行网络训练，以基于训练好的注意力感知光神经网络使得TD光注意力模块对BU光注意力模块提取的多维稀疏特征进行光谱和空间透射率调制以得到最终空间光输出；输出模块，在输出平面上检测识别最终空间光输出以得到目标在光场中的定位和识别结果。本发明以自适应地分配计算资源，具有前所未有的能力和可扩展性，并且首次利用光神经网络来解决高复杂度机器学习问题。
- 一种基于多模干涉仪以及相干检测的神经网络加速器-202310556058.3
- 潘炜炜;陈锦华;姚偌云;彭张皖;熊婉姝;宫敏;吉晨 - 浙江大学
- 2023-05-15 - 2023-09-12 - G06N3/067
- 本申请提出了一种基于多模干涉仪以及相干检测的神经网络加速器，涉及光学神经网络领域，包括半导体激光器、多模干涉仪模块、耦合器模块与平衡探测器模块，其中，半导体激光器模块提供光信号；多模干涉仪模块将光信号分为多路，并调节光信号的相位，输出处理光信号与参考光信号；耦合器模块用于实现处理光信号与参考光信号的相干检测，并将处理光信号与参考光信号耦合到同一波导；平衡探测器模块将在同一波导中传输的处理光信号与参考光信号进行拍频，并将拍频后的光信号转换为电信号，作为人工神经网络下一层的输入信号。本申请通过引入多模干涉仪，且在多模干涉区域内引入电极，结合相干检测，实现复数域内的神经网络，从而增强网络的拟合能力。
- 一种基于光频梳以及双微环调制器的光子处理器-202310640153.1
- 潘炜炜;熊婉姝;宫敏;姚偌云;彭张皖;吉晨 - 浙江大学
- 2023-05-31 - 2023-09-08 - G06N3/067
- 本申请提出了一种基于光频梳以及双微环调制器的光子处理器，涉及光子器件领域，包括：光信号层，生成多个包含等间距分隔波长分量的光频梳信号，并将经处理后产生的光信号均匀分配；输入信号层，通过对马赫曾德尔调制器阵列施加电信号，使其输出的光信号执行输入张量的映射；权重信号层，将权重张量作为双微环调制器阵列的电信号输入，与输入信号层作用以执行矩阵运算或卷积运算；矩阵运算求和层，用于在执行矩阵运算时将不同波长的光信号相加；卷积运算求和层，用于在执行卷积运算时，将处于不同时间段内的光信号耦合到合路器执行求和运算，并将求和后的光信号转换为电信号。本申请能够实现大规模的矩阵和卷积运算，且结构具有可扩展性。
- 一种基于光电器件的存储池运算方法和电子设备-202310263706.6
- 尚大山;江南佳;李熠;张握瑜;方仁瑞 - 中国科学院微电子研究所
- 2023-03-10 - 2023-09-05 - G06N3/067
- 本申请公开一种基于光电器件的存储池运算方法和电子设备，涉及机器学习及人工智能领域，应用于光学器件中所搭载的自适应延时存储网络中，自适应延时存储网络包括神经网络单元和水平调制网络单元；水平调制网络单元包括依次连接的光电流输入层模块、第一全连接层模块、第二全连接层模块和调制栅压输出层模块，光电流输入层模块接收存储池层模块以响应电流形式输出的虚拟节点状态；第一全连接层模块和第二全连接层模块对多个响应电流进行数据处理，确定多个响应电流对应的电流特征向量信息；调制栅压输出层模块将多个响应电流信息由映射函数转换为调制栅压值，并将调制栅压值传输至存储池层模块，在对应的调制栅压值下得到目标光电响应输出信息。
- 一种基于光学神经元波长复用模块的光电计算机-202310590364.9
- 金潮渊;刘逸丰;李晨晖;翁海中;王博文;黄科杰 - 浙江大学
- 2023-05-24 - 2023-09-01 - G06N3/067
- 本发明公开了一种基于光学神经元波长复用模块的光电计算机，所述光学神经元波长复用模块作为光学神经网络中实现某一隐藏层或输出层的非线性运算部分，接收该隐藏层或输出层的线性运算部分的向量化输出信号并进行非线性运算，其包括多路复用器阵列、波分复用非线性器件阵列、多路解复用器阵列。所述光电计算机用于实现多层的光电神经网路的功能，所述的光电神经网路包括若干隐藏层、一个输出层和电学总控部分；其中，隐藏层和输出层具有相同的结构，均包括光学线性运算部分和光学非线性运算部分；至少一个隐藏层或输出层的所述的光学非线性运算部分，由采用本发明所述的光学神经元波长复用模块。本发明可以大大提高网络的并行度和速度。
- 一种基于垂直腔半导体光放大器光神经形态异或运算装置-202210159301.3
- 项水英;赵世豪;张雅慧 - 西安电子科技大学
- 2022-02-22 - 2023-09-01 - G06N3/067
- 本发明公开了一种基于垂直腔半导体光放大器光神经形态异或运算装置，属于光计算与光信号处理领域。就目前研究进展，光电信号混合异或方案存在电信号处理速度低的问题，基于偏振各向异性和非线性增益的传统全光异或运算方案存在操作复杂和使用器件多的问题,然而使用具有神经元抑制动力学和更节能的单个垂直腔半导体光放大器VCSOA是一种非常有前景的异或运算方法。该装置通过任意信号生成器AWG产生的脉冲信号经过电光调制后分别注入VCSOA的两个偏振模，利用VCSOA的偏振模竞争可实现光神经形态异或运算。本发明装置保证了可在全光领域实现神经形态异或运算。
- 面向神经网络的光子矩阵乘法运算装置及运算方法-202310703095.2
- 郭清水;尹坤;许桐恺;柴田;陈宏晨 - 之江实验室
- 2023-06-14 - 2023-09-01 - G06N3/067
- 本发明公开了一种面向神经网络的光子矩阵乘法运算装置，通过将周期性跳频光信号作为光载波，通过串联较少的电光调制器将第一矩阵信号与第二矩阵信号进行加载，并进行矩阵元素相乘，从而能够简化传统光子矩阵计算系统的复杂度。通过光纤延时单元实现周期性跳频光信号中的多个跳频分量和周期性脉冲光载波信号的时间对齐，基于时间‑频率复用技术，在单个周期即可实现两个矩阵元素的相乘，方案简单高效。通过电光调制器实现待运算矩阵信号的加载，基于调制器大带宽优势，可大大提高计算速度，并且矩阵可动态调整。本发明还公开了利用该光子矩阵乘法运算装置进行光子矩阵乘法运算的方法。
- 一种光电混合的深度神经网络运算装置和运算方法-202310703089.7
- 郭清水;尹坤;刘硕;应小俊;刘士圆 - 之江实验室
- 2023-06-14 - 2023-08-25 - G06N3/067
- 本发明公开了一种光电混合的深度神经网络运算装置，通过利用二维系数加载单元将系数矩阵信号的各行系数信号分别加载到对应的子调制光信号上得到多路系数信号，并通过间隔延时的方法将多路系数光信号进行延时使得获得的多路延时信号能够汇合，从而完成了将系数矩阵信号加载到初始节点信号上，进而达到了在初始节点数据上简单、高效的与系数矩阵数据相乘的目的，实现了单层二维神经网络的系数加权。本发明还通过节点数据源将过程节点信号再次输入电光调制器进行循环运算，使得过程节点数据能够与系数矩阵数据相乘，通过多次循环实现了多层二维神经网络的系数加权。本发明还公开光电混合的深度神经网络的运算方法。
- 一种基于光学储备池计算的信号补偿方法-202310217809.9
- 罗惠文;文峰;杨寅珂;武保剑;邱昆 - 电子科技大学
- 2023-03-08 - 2023-08-22 - G06N3/067
- 本发明公开了一种基于光学储备池计算的信号补偿方法，主要包括三部分：损伤信号预处理、光储备池训练、输出学习；针对RC的网络结构，对内部神经元进行改进，即提出一种新型的非线性映射函数，利用半导体光放大器的饱和增益函数作为储备池的激活函数；本发明还提出了一种基于非线性光学响应的储备池计算模型，并将其应用在对少模光纤损伤信号进行补偿。提出了一种新的光激活函数作为RC的神经元，拓展了RC的应用领域。
- 基于DFB-SA激光器的单片集成光子脉冲神经元实现方法-202310387711.8
- 项水英;张雅慧;郭星星;施跃春;郝跃 - 西安电子科技大学
- 2023-04-12 - 2023-08-22 - G06N3/067
- 本发明公开了一种基于DFB‑SA的单片集成光子脉冲神经元实现方法，包括：对DFB‑SA激光器进行功率测试，以确定DFB‑SA激光器的工作电压和偏置电流范围；对DFB‑SA激光器进行光谱测试，以确定DFB‑SA激光器的自身波长范围；根据DFB‑SA激光器的自身波长范围确定需注入的光信号波长范围；基于确定的偏置电流范围向DFB‑SA激光器的增益区施加偏置电流，同时基于确定的工作电压向DFB‑SA激光器的SA区施加反向偏置电压，并在上述条件下，按照确定的注入光信号波长范围向DFB‑SA激光器注入光信号，观察DFB‑SA激光器的输出光谱，以确定与待处理目标对应的注入光信号波形，从而实现光子脉冲神经元的功能。该方法实现方式简单，降低了系统复杂度和功耗，且具有较高的输出功率。
- 一种基于马赫-曾德尔调制器光电双反馈的储备池计算装置-202310501914.5
- 方捻;张兰婷;孙敏;王帅 - 上海大学
- 2023-05-06 - 2023-08-18 - G06N3/067
- 本发明公开了一种基于马赫‑曾德尔调制器光电双反馈的储备池计算装置，由输入模块、光电双反馈储备池模块和数据采集模块组成。输入模块由信号发生器和合路器组成，光电双反馈储备池模块由连续光激光器，耦合器1，马赫‑曾德尔调制器，可调衰减器，耦合器2，由延迟光纤1、光隔离器和光放大器组成的光反馈支路以及由延迟光纤2、光电探测器和电放大器组成的光电反馈支路构成，反馈光通过耦合器1与连续光激光器的输出光一起作为马赫‑曾德尔调制器的光输入，反馈电信号作为马赫‑曾德尔调制器的射频输入，调制器的输出光通过耦合器2分别进入光反馈和光电反馈支路；数据采集模块由功分器和数据采集单元构成。本发明动态丰富，网络性能好。
- 一种实现光学神经网络的方法及系统-202110953092.5
- 吴睿振;王凛;陈静静;黄萍 - 山东云海国创云计算装备产业创新中心有限公司
- 2021-08-19 - 2023-08-18 - G06N3/067
- 本发明公开了一种实现光学神经网络的方法及系统，方法包括：获取三角函数的第一拟合函数；构建所述第一拟合函数的光电转换结构；基于所述光电转换结构和所述第一拟合函数得到第二拟合函数；基于所述第一拟合函数和所述第二拟合函数构建所述第二拟合函数的乘加结构；将所述乘加结构和所述光电转换结构连接得到光学神经网络的卷积计算结构以实现光学神经网络。通过本发明的方案，减少了光电转换，提高了运算速度，实现了全光神经网络的卷积运算。
- 基于超表面的插拔衍射神经网络优化方法及任务识别器件-202310433452.8
- 黄玲玲;合聪;王涌天;李昕;李晓炜 - 北京理工大学
- 2023-04-21 - 2023-08-15 - G06N3/067
- 本发明公开的基于超表面的插拔衍射神经网络优化方法及任务识别器件，属于光学神经网络、微纳光学、图像识别应用技术领域。插拔衍射神经网络由输入层、调制层、输出层三部分构成，调制层划分为共享层和插拔层；使用梯度下降算法和反向传播算法结合迁移学习算法优化插拔衍射神经网络调制层参数；根据优化完成的插拔衍射神经网络调制层相位分布挑选超表面纳米柱结构，并制备超表面；制作基于超表面的插拔衍射神经网络多任务识别器件，多任务识别器件包括掩模板、探测器、用于构建插拔衍射神经网络的超表面；通过切换网络中由超表面实现的可插拔组件，实现多种识别任务切换，提高插拔衍射神经网络的灵活性，同时减少计算资源消耗和训练时间。
- 一种基于半导体激光器的光学非线性神经元-202310397322.3
- 王成;何旭明;虞晶怡;刘冠廷 - 上海科技大学
- 2023-04-13 - 2023-08-11 - G06N3/067
- 本发明公开了一种全光非线性神经元，其特征在于，包括隔离器、激光器和滤波器。本发明仅包含半导体激光器、隔离器和滤波器三种主要器件，不需要光电和光电转换的过程，因此具有装置简单、能耗低的优势。由于神经元中的激光器能够提供能量，因此适用于具有多层深度的复杂神经网络，不会出现层数增加激光功率下降的问题，所以具有可拓展性好的优势。本发明提供的神经元不仅能够处理脉冲信号也能够处理连续波信号，因此同时适用于脉冲型和非脉冲型的神经网络。另外，本发明中的神经元工作区间大，因此具有灵活性和可靠性高的优势。
- 专利分类
