[發明專利]一種微環諧振腔時延帶寬積最大化方法及系統

在審

• 申請號: 202211728153.9
• 申請日: 2022-12-29
• 公開（公告）號: CN115952717A
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 張林;李政;李宗澤;周笑艷
• 申請（專利權）人: 鵬城實驗室
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06N3/08;G06F111/10
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 溫宏梅

1.一種微環諧振腔時延帶寬積最大化方法，其特征在于，所述方法包括：

獲取微環諧振腔模型，根據所述微環諧振腔模型獲取所述微環諧振腔的系統參數；

將所述微環諧振腔的系統參數輸入DRRs-A3C算法模型并運行所述DRRs-A3C算法模型；

根據所述DRRs-A3C算法模型獲得所述微環諧振腔的最大時延帶寬積及所述最大時延帶寬積所對應的優化參數值。

2.根據權利要求1所述微環諧振腔時延帶寬積最大化方法，其特征在于，所述獲取微環諧振腔模型，根據所述微環諧振腔模型獲取所述微環諧振腔的系統參數包括：

根據耦合模理論通過有限元仿真軟件和數值計算軟件建立微環諧振腔模型；

運行所述微環諧振腔模型獲取所述微環諧振腔模型的系統參數。

3.根據權利要求1所述微環諧振腔時延帶寬積最大化方法，其特征在于，所述DRRs-A3C算法模型的運行過程具體為：

初始化所述DRRs-A3C算法模型的全局神經網絡參數和工人神經網絡參數；

將狀態值S輸入所述DRRs-A3C算法模型的工人神經網絡，獲得所述工人神經網絡中Actor神經網絡的動作值A，將所述動作值A輸入環境，獲取獎勵R和新的狀態值S’，得到訓練集(S，A，R，S’)；

將所述訓練集中的狀態值S和新的狀態值S’輸入至所述工人神經網絡中的Critic神經網絡，獲得所述狀態值S對應的評價值V(S)和所述新的狀態值S’對應的新的評價值V(S’)，并計算TD誤差δ＝R+γ·V(S’)-V(S)；

迭代所述工人神經網絡的參數；

當迭代至預設次數時停止，并更新全局神經網絡參數；

根據所述全局神經網絡參數更新所述工人神經網絡參數；

重復迭代訓練所述工人神經網絡和所述全局神經網絡；

當所述全局神經網絡收斂，輸出所述DRRs-A3C算法模型；

其中，所述δ為TD誤差，所述R為Critic神經網絡對獎勵的估計，所述γ為衰減因子；

所述全局神經網絡和所述工人神經網絡均包括Actor網絡和Critic網絡，所述全局神經網絡與所述工人神經網絡結構一致，所述全局神經網絡和所述工人神經網絡均為全連接神經網絡。

4.根據權利要求3所述微環諧振腔時延帶寬積最大化方法，其特征在于，所述DRRs-A3C算法模型中環境為微環諧振腔系統，所述狀態值為微環諧振腔系統的耦合系數，所述動作為微環諧振腔系統的耦合系數改變量，所述獎勵為微環諧振腔的時延帶寬積和正則化項。

5.根據權利要求1所述微環諧振腔時延帶寬積最大化方法，其特征在于，所述根據所述DRRs-A3C算法模型獲得所述微環諧振腔的最大時延帶寬積及所述最大時延帶寬積所對應的優化參數值包括：

根據所述微環諧振腔的系統參數初始化所述DRRs-A3C算法模型參數；

輸入狀態值至所述DRRs-A3C算法模型的工人神經網絡，所述工人神經網絡輸出新的狀態值；

根據所述工人神經網絡參數更新所述DRRs-A3C算法模型的全局神經網絡參數，所述全局神經網絡訓練所述新的狀態值，并獲得所述微環諧振腔的最大時延帶寬積及所述最大時延帶寬積所對應的優化參數。

6.根據權利要求5所述微環諧振腔時延帶寬積最大化方法，其特征在于，所述根據所述工人神經網絡參數更新全局神經網絡參數，所述全局神經網絡訓練獲得所述微環諧振腔的最大時延帶寬積和對應的優化參數包括：

將所述工人神經網絡參數同步至所述全局神經網絡；

所述全局神經網絡訓練獲得時延帶寬積和所述時延帶寬積所對應的優化參數；

判斷所述全局神經網絡是否收斂；

若所述全局神經網絡收斂，則輸出所述微環諧振腔的最大時延帶寬積和所述最大時延帶寬積所對應的優化參數。

7.根據權利要求1所述微環諧振腔時延帶寬積最大化方法，其特征在于，所述微環諧振腔為單環形諧振腔、級聯式雙環形諧振腔、平行式雙環形諧振腔、嵌套式雙環形諧振腔、3×3耦合式雙環形諧振腔或單雙環形諧振腔拓撲組成的多環形諧振腔其中的一種或多種。