[發明專利]光學神經網絡的全光非線性激活函數實現方法、裝置

有效

• 申請號: 202010696295.6
• 申請日: 2020-07-20
• 公開（公告）號: CN111860822B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 李強;田野;劉勝平;趙洋;王瑋;馮俊波;郭進
• 申請（專利權）人: 聯合微電子中心有限責任公司
• 主分類號: G06N3/067
• 分類號: G06N3/067;G06N3/048;G06F17/16;G02F1/21
• 代理公司: 北京北匯律師事務所 11711
• 代理人: 李英杰

本發明公開了一種光學神經網絡的全光非線性激活函數實現方法和裝置。方法包括步驟：獲取待處理信號光信號、與待處理信號光信號相干的參考光信號；將待處理信號光信號與參考光信號輸入至第一移相模塊，第一移相模塊對待處理信號光信號與參考光信號進行移相操作得到第一陣列的光學信號；將第一陣列的光學信號輸入光學干涉模塊，在光學干涉模塊中對第一陣列的光學信號進行非線性運算得到第二陣列的光學信號，第二陣列的光學信號作為待處理的信號光信號的非線性響應輸出。本發明技術方案解決了已有光學非線性函數計算單元對光功率和跨阻放大器的要求高的問題，且參數可調能提供的非線性函數靈活可控。

技術領域

本發明涉及光學神經網絡技術領域，具體地涉及一種全光非線性激活函數的實現方法和裝置。

背景技術

在現在人工智能最熱門的深度學習中，其運算過程主要涉及兩個部分：矩陣乘法和非線性激活函數。非線性運算是人工神經網絡具備強大表達能力的根源，可以加快網絡的收斂速度、提升識別的準確率，是神經網絡中不可或缺的組成部分。

用光來完成深度學習算法，其本質在于用光來實現矩陣乘法和非線性激活函數。用光來完成矩陣乘法運算，現有的辦法是使用馬赫-曾德爾干涉儀(MZI)陣列、微環諧振腔(MRR)陣列等來實現。而在光域中實現非線性函數則存在兩個層面的巨大挑戰：(1)光學非線性效應的產生一般需要較高的光功率；(2)光子人工智能芯片架構中，對非線性激活函數的靈活性要求較高，而已有光學非線性效應的控制難度大，無法滿足這種靈活性上的需要。同時非線性光學單元在芯片上集成也存在工藝兼容性和器件一致性等方面的諸多問題。因此，現有的非線性激活函數運算一般在電域中進行，在電域中實現非線性激活函數，需要使用模數轉換(AD)，會帶來額外的功耗，同時AD有限的轉換速度也可能成為整個光子人工智能計算系統的性能瓶頸。

為了用光完成非線性激活函數運算過程，一種方法是用光學矩陣乘法單元的輸出來模擬非線性激活函數的輸入光信號，用光學非線性單元的傳輸矩陣來模擬光學非線性激活函數，輸入信號在光學非線性單元中的傳輸等效于非線性激活函數作用于輸入光信號，所以光學非線性單元的輸出光信號即為輸入光信號的非線性響應。

為了用光學非線性單元的傳輸矩陣來模擬光學非線性激活函數，現有的辦法主要有以下兩類：(1)使用光探測器接收光學矩陣乘法單元的輸出光信號，并經跨阻放大器(TIA)放大后作為調制器(MZI調制器、MRR調制器、電光調制器等)的調制電信號，調制器的輸入光信號為一束連續光，調制電信號施加于調制器，可對輸入光信號進行非線性調制；(2)將光學矩陣乘法單元的輸出光信號分為功率大小不同的兩部分(如99：1)，使用光探測器接收功率較小(如1％)部分輸出光信號，并經跨阻放大器(TIA)放大后作為調制器(MZI調制器、MRR調制器、電光調制器等)的調制電信號，光矩陣乘法單元的功率較大(如99％)部分用于模擬調制器的輸入光信號，調制電信號施加于調制器，可實現對自身的非線性調制。然而，這些方法對于跨阻放大器(TIA)的要求高，功耗較大。

綜上所述，如何實現低功耗、高速、易于實現、具有豐富表現形式的光學非線性激活函數，是目前本領域技術人員亟待解決的技術問題。

發明內容

有鑒于此，本發明實施例提供了一種光學神經網絡的全光非線性激活函數實現方法、裝置。基于線性光學計算單元，無需利用光學非線性效應，克服了已有光學非線性函數計算單元對光功率和跨阻放大器(TIA)的高要求。

為此，本發明實施例提供如下技術方案：

根據本發明一方面，提供了一種光學神經網絡的全光非線性激活函數實現方法，包括步驟：

獲取待處理的信號光信號、與所述待處理的信號光信號相干的參考光信號；

將所述待處理的信號光信號與所述參考光信號輸入至第一移相模塊，所述第一移相模塊對所述待處理的信號光信號與所述參考光信號進行移相操作得到第一陣列的光學信號；