【技術實現步驟摘要】
本專利技術屬于光計算領域，更具體地，涉及空間衍射降維輔助的光學神經擬態計算架構。
技術介紹
1、隨著物聯網和大數據的快速發展，如何高效存儲、傳輸和處理海量數據成為當前信息領域的重大挑戰。近十年來，得益于gpu芯片算力的大幅提升和和深度學習算法的發展，基于人工神經網絡的人工智能技術(ai)蓬勃發展，在圖像識別、語音識別和自動駕駛等領域大放異彩。然而，值得注意的是，隨著數據維度的上升，高性能的深度學習算法需要消耗大量的存儲與計算資源。雖然近50年來，半導體工藝逐漸成熟，從最初的180nm制程工藝到現在的5nm的先進工藝，以及現在正在研發的3nm工藝，使得集成電路工藝迅速發展，電學計算系統性能飛速提升，但受限于加工精度的嚴格要求，這種狀態無法一直發展下去，隨著晶體管的尺寸逐漸減小，芯片的功耗和散熱等問題逐漸顯露，因此傳統電學計算系統無法持續滿足高速、低能耗、大規模計算的需求。為了解決這一問題，研究人員提出了高性能的光學計算系統，例如基于神經形態計算網絡架構的光學處理芯片。通常，神經形態計算網絡大約由1011個人工神經元組成，每個人工神經元都基于一個可調光開關進行權重的調整。對于矩陣維度較大的輸入樣本，神經網絡在訓練前需要對其進行矩陣降維處理，進而降低訓練成本，實現這種操作的器件在傳統神經網絡中被稱為自編碼器。
2、近年來，光子ai加速芯片憑借光子的高速、并行、低串擾、低能耗和高互連帶寬的優勢以及集成光電子學的飛速發展，成為高性能智能計算領域的突破點。在ai加速芯片中，由突觸和神經元組成的人工神經網絡是其執行數據計算和存儲的
3、該系統的輸入圖像首先通過微透鏡陣列創建n’個輸入圖像空間上的副本，為之后的圖像處理做好數據準備，完成數據升維；微透鏡陣列是由通光孔徑及浮雕深度為微米級的透鏡組成的陣列。它和傳統透鏡一樣，最小功能單元也可以是球面鏡、非球面鏡、柱鏡、棱鏡等，同樣能在微光學角度實現聚焦、成像，光束變換等功能，而且因為單元尺寸小、集成度高，使得它能構成許多新型的光學系統，完成傳統光學元件無法完成的功能。微透鏡陣列的結構從最小功能單元的排列方法可分為單排式、m*n排列、滿布式等，同時可分為單面陣列和雙面陣列。微透鏡陣列可分為折射型微透鏡陣列與衍射型微透鏡陣列兩類。以衍射型微透鏡陣列為例，基于物理光學的衍射原理，光被透鏡陣列的表面浮雕結構調制改變了波前相位，從而實現了光波的調制、變換。激光經過每個衍射單元后發生衍射，并在一定距離(通常為無窮遠或透鏡焦平面)處產生干涉，形成特定的光強分布，完成圖像的復制。slm構成權重矩陣，n’份副本圖像投射到slm的不同區域，覆蓋slm上所有像素，并且根據權重矩陣的元素大小對應調制slm每個像素的透過率，通過成比例地衰減輸入圖像來實現矩陣點乘算法。最后使用透鏡聚焦將已經運算后的光分量來實現每個輸出矢量元素的求和，利用透鏡的聚焦作用縮小slm輸出的圖像，通過求和完成第一次數據降維處理。最后用圖像增強器實現輸出矢量的每個元素的光-光非線性激活層(oona)運算。
4、但是，僅僅依靠這種空間光降維數據的方式并無法實現復雜的神經網絡功能。針對于高維的數據矩陣，數據經過降維過程后的特征矩陣還需要經過卷積、全連接等操作實現相應的神經網絡識別、檢測等功能。
技術實現思路
1、針對現有技術的缺陷，本專利技術的目的在于提供一種空間衍射降維輔助的光學神經擬態計算架構，旨在為高維度數據全光計算加速提供有效解決方案。
2、為實現上述目的，本專利技術提供了一種空間衍射降維輔助的光學神經擬態計算架構，包括輸入模塊、圖像復制器件、線性乘法器件、線性累加器件、非線性激活器件、聚焦透鏡、片上神經網絡芯片。其中片上神經網絡芯片包括用于線性權重配置的片上線性乘法器件以及具有非線性函數功能的片上非線性激活器件。具體實現方法是通過輸入模塊輸出的輸入圖像信息將需要識別的圖像信息編碼為多波長光學矩陣，編碼后的多波長光學矩陣經過圖像復制器件后復制為m×n個矩陣尺寸更小的光學矩陣，其中m、n為整數。復制后的圖像副本經過線性乘法器件實現權重調節，而后在線性累加器件中對不同復制圖像副本的線性映射結果進行全連接加法運算；線性運算的結果經過非線性激活器件后實現數據的非線性映射，如此實現一次對輸入信息的降維處理，經過若干個相同的操作步驟，最終實現對高維數據矩陣的降維操作與特征提取。降維矩陣經過聚焦透鏡耦合進入片上神經網絡芯片，片上神經網絡芯片上的卷積矩陣與全連接矩陣對降維矩陣進行進一步數據處理，實現相關神經網絡功能。對于傳統脊型波導而言，相變薄膜改變相態所引起的模式能量分布變化并不明顯，本專利技術所提出的一種基于相變材料的非易失多級可調光子神經突觸器件則可以實現顯著的模式能量分布改變。
3、進一步地，輸入圖像信息要求可以將初始高維數據矩陣進行波分復用編碼，進而提高神經網絡的并行處理能力。具體方法為，選取特定工作波段的寬帶光源，調整空間光路照射在相關光學強度\相位編碼器件上(slm、dmd等)，由此獲得攜帶相同強度信息的多波長矩陣；利用空間濾光陣列對每個矩陣元素進行特定濾波處理，只保留計算所需要的單一波長信息。調節光學強度\相位編碼器件的輸出既可以實現波分復用編碼。相比于傳統的連續型波導結構，本專利技術所提出的一種基于相變材料的非易失多級可調光子神經突觸器件當在相變材料為不同相態的情況下所述光子神經突觸具有更大的輸出強度差。
4、進一步地，圖像復制器件要求可以將多波長高維矩陣信息進行壓縮復制，壓縮比例以及復制數量是經過神經網絡離線訓練優化后的結果。通過優化圖像復制器件在傅里葉平面的成像質量，使得空間衍射降維輔助的光學神經擬態計算架構在經過圖像壓縮后可以最大程度保留輸出特征。
5、進一步地，線性乘法器件需要符合空間衍射理論下的強度調制規律。具體根據惠更斯原理將每個像素的光場響應定義成為一個次級波源發射近似的球面光波，從而輻射到下一層的線性乘法器件中每一個單元上并形成神經連接，通過調整前一衍射單元的固定幅相響應，實現在神經連接上疊加該響應，從而實現神經連接強度的調整。
6、進一步地，片上神經網絡芯片采用基于交叉波導的并行網絡架構。架構需求多通道輸入，可以充分利用光的波長維度，使用不同波長輸入，既保證了不同通道間不相干性，也有很大拓展性設計更大的網絡架構。不同通道中的光學編碼信息在經過耦合區域后與特定光學神經突觸發生耦合，輸出強度與光學神經突觸的權重系數相關。
7、所述的空間衍射降維輔助的光學神經擬態計算架構，所述的圖像復制器件可以將多波長光學矩陣復制為m×n個(m可以等于n)低維矩陣。
8、所述的空間衍射降維輔助的光學神經擬態計算架構，所述線性乘法器件可以是動態配置權重的空間光調制器(slm)、本文檔來自技高網...
【技術保護點】
1.空間衍射降維輔助的光學神經擬態計算架構，其特征在于，包括輸入模塊(1)、圖像復制器件(2)、線性乘法器件(3)、線性累加器件(4)、非線性激活器件(5)、聚焦透鏡(6)、片上神經網絡芯片(7)，其中片上神經網絡芯片(7)包括用于線性權重配置的片上線性乘法器件(7-1)以及具有非線性函數功能的片上非線性激活器件(7-2)；所述輸入模塊(1)用于將需要識別的圖像信息編碼為多波長光學矩陣，編碼后的多波長光學矩陣經過圖像復制器件(2)后復制為M×N個矩陣尺寸更小的光學矩陣，其中M、N為整數，所述線性乘法器件(3)用于對低維矩陣進行線性調制，得到線性運算結果，所述線性運算結果經過所述線性累加器件(4)實現累加，非線性激活器件(5)實現矩陣的非線性映射結果，得到降維矩陣光信息，所述降維矩陣光信息經過片上耦合器件(6)耦合進入片上神經網絡芯片(7)實現神經網絡識別與分類功能。
2.根據權利要求1所述的空間衍射降維輔助的光學神經擬態計算架構，其特征在于，所述輸入模塊(1)所攜帶的光學信息為攜帶特殊強度、相位、偏振分布的光學信息或者經過電光編碼器件進行編碼后的光學信息。
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。