[发明专利]全光学神经网络

说明书

本文公开了利用光束和光学部件来实现神经网络的层的全光学神经网络。该全光学神经网络包括输入层、零个或更多个隐藏层、以及输出层。神经网络的每一层都构造成在光学信号上模拟常规人工神经网络神经元的线性运算和非线性运算。在一个实施例中，光学线性运算由空间光调制器和光学透镜执行。光学透镜对这组光束执行傅立叶变换，并对具有相似传播方向的光束求和。利用非线性光学介质来实现光学非线性运算，该非线性光学介质具有电磁感应的透明性特性，非线性光学介质的探测光束的传输由来自光学线性运算的耦合光束的中间输出控制。

优先权要求

本申请要求于2019年4月15日提交的标题为“全光学神经网络”的美国临时申请No.62/834,005的权益，其全部内容通过引用并入本文。

技术领域

本公开涉及深度学习人工神经网络。更具体地，本公开针对利用光学部件实现的人工神经网络，以使用光作为介质来执行计算。

背景技术

在过去的几十年中，基于人工神经网络(ANN)的机器学习取得了显著增长。机器学习为系统提供了从数据中学习并通过最少的人工干预就可以做出决策的通用技术。作为一种机器学习算法，ANN是一种基于大脑神经结构的计算模型，其中实现了称为人工神经元的连接节点的集合。随着大量人工神经元的广泛互连，ANN可以以强大的方式执行复杂的任务。已经证明，基于人工神经网络的机器学习在各个领域(例如图像识别、医学诊断和机器翻译)都非常强大。在科学研究领域，ANN也显示出巨大的潜力，特别是在发现新材料、对物质的相进行分类、表示变化波函数、加速蒙特卡洛模拟以及各种其他应用方面等。而且，ANN可以用来解决传统方法难以解决的问题。

ANN可以通过电子计算机中的软件模拟来实现，其中可以应用各种复杂算法。然而，具有大量人工神经元和互连的ANN要求巨大的计算资源需求，例如高能耗和学习过程的长训练时间。随着神经网络规模的增加，计算的复杂度可能成倍增加。

实现ANN的硬件解决方案可能能够大大减少执行时间。例如，用晶体管构建的电路可以通过对电流或电荷求和的物理过程来执行大量的计算。但是，电路解决方案容易受到噪声和工艺参数变化的影响，这可能会限制计算精度。

作为非相互作用的玻色子的光子一旦应用于ANN的实现，就自然可以用于以光速实现多重互连并且同时进行并行计算。ANN的关键成分是人工神经元，人工神经元对信号执行线性变换和非线性变换。在混合光学神经网络(ONN)中，光学已用于实现线性变换。但是，非线性变换函数通常以电子方式实现，因为已经证明以光学方式实现非线性变换函数具有挑战性。因此，随着光学神经网络的研究，有必要解决这个问题或其他问题。

发明内容

全光学神经网络包括输入层、零个或更多个隐藏层、以及输出层。每层包括一个或更多个光学神经元，该一个或更多个光学神经元构造为通过线性变换和非线性变换处理一个或更多个光束作为对光学神经元的输入。可以通过与神经网络的该层与神经网络的后续层之间的接口相关联的一组加权调制每个光学神经元的激活信号。线性变换和非线性变换均通过光学部件和非线性光学介质进行处理。特别地，通过利用非线性光学介质的电磁感应的透明性(EIT)特性来控制第二(探测)光束根据第一(耦合)光束的传输来实现非线性变换。

在本公开的第一方面，公开了一种用于实现光学神经元的系统。该系统包括一个或多个光束作为光学神经元的输入、线性子系统、非线性子系统、以及一个或多个额外的光束作为光学神经元的输出。光源构造成产生一个或更多个光束作为光学神经元的输入。线性子系统构造成执行光学求和运算，该光学线性运算组合一个或更多个光束以产生耦合光束作为中间信号。非线性子系统构造成基于耦合光束执行光学非线性运算以产生激活响应信号。非线性子系统包括非线性光学介质，非线性光学介质具有电磁感应的透明性(ETI)特性，并且激活响应信号包括通过非线性光学介质传输的探测光束，该非线性光学介质由中间信号非线性控制。一个或多个额外的光束从激活响应信号中分出来。