[发明专利]光子人工智能计算芯片的数字式信号调制方法

说明书

本发明公开了一种光子人工智能计算芯片的数字式信号调制方法，包括以下步骤：S01：将待识别光信号转换到预设模态域，待识别光信号首先进入色散补偿器，色散补偿器对信号施加一定色散值；S02：利用预训练好的异构神经网络从待识别信号的不同模态域中提取特征向量；S03：所述功率发生模块用于将一定色散值下输入信号脉冲峰值功率大小映射到输出信号平均功率大小之上；S04：所述控制和数字信号处理模块驱动色散补偿器产生一系列色散值；S05：将色散‑信号平均功率实测数组与各种已知调制格式信号的色散‑信号平均功率样本进行匹配。本发明能够与电子芯片的数字信号直接衔接，避免了对数字信号进行数模转化时的量化误差。

技术领域

本发明属于光运算处理技术领域，特别是涉及一种光子人工智能计算芯片的数字式信号调制方法。

背景技术

近年来，得益于大数据的发展、计算机计算能力的大幅提升和算法本身的突破，深度学习飞速发展，在计算机视觉、自然语言处理、图像视频优化、自动驾驶、医疗诊断等领域都取得了令人欣喜的成果。同时，由深度学习所带起的计算需求不断膨胀，促进了处理架构持续推陈出新，能够针对特定计算的新架构被不断提出。

相对于其他架构，光子回路更适合线性运算，具有超高带宽和超低能耗的优势。2017年，麻省理工学院的研究人员提出了一种典型的光子神经网络芯片，此芯片运用SVD算法将任意矩阵分解为2个酉矩阵和1个对角矩阵，然后用马赫—曾德干涉仪组成的阵列模拟这3个矩阵，从而实现了全光任意矩阵相乘计算，为全连接神经网络的计算加速提供了一种光子学的解决思路。同时，将光子回路不擅长的存储、控制、非线性计算等部分放在外接的电路中进行，通过光电集成的方式实现一个理想智能功能的神经网络。然而，这种芯片是用模拟信号来进行光的调制和计算的，存在精度低、抗干扰能力差的问题，且对电光调制器和光探测器动态范围要求较高。同时与FPGA之类的数字芯片进行交流时需要进行AD/DA转换，额外带来了量化误差，提高了系统成本。电信号-光信号的调制前的DA转换制约着系统速度，高速高精度的DA转换器产品价格高，在产品迭代与方案设计上也有着美国等国家对高精度数模转换器的禁运风险，若将其调制方法转为数字信号，可增加整个光子神经网络芯片的精确度和稳定性，为光子神经网络芯片的发展提供一种有效思路。另外，光电产品日益丰富，电信号向光信号的调制转换以及信号的传输也呈现多样化的需求，有必要提供一种新的信号电信号向光信号转换的调制方法。

发明内容

本发明主要解决的技术问题是提供一种光子人工智能计算芯片的数字式信号调制方法，能够与电子芯片的数字信号直接衔接，避免了对数字信号进行数模转化时的量化误差。

为解决上述技术问题，本发明采用的一个技术方案是：一种光子人工智能计算芯片的数字式信号调制方法，包括以下步骤：

S01：将待识别光信号转换到预设模态域，待识别光信号首先进入色散补偿器，色散补偿器对信号施加一定色散值，其输出光信号经光放大器放大至一定功率后注入功率发生模块；

S02：利用预训练好的异构神经网络从待识别信号的不同模态域中提取特征向量；

S03：所述功率发生模块用于将一定色散值下输入信号脉冲峰值功率大小映射到输出信号平均功率大小之上，所述光功率计测量功率发生模块输出端信号平均功率；

S04：所述控制和数字信号处理模块驱动色散补偿器产生一系列色散值；

S05：将色散-信号平均功率实测数组与各种已知调制格式信号的色散-信号平均功率样本进行匹配；

S06：利用预训练好的分类器对融合后的特征向量进行识别分类，分类器的输出作为最终的识别结果。

进一步地说，所述异构神经网络包括：深度置信网络、自动编码网络和卷积神经网络。

进一步地说，所述分类器包括BP神经网络分类器、支持向量机分类器和Softmax分类器。