[发明专利]光学神经网络的全光非线性激活函数实现方法、装置

说明书

本发明公开了一种光学神经网络的全光非线性激活函数实现方法和装置。方法包括步骤：获取待处理信号光信号、与待处理信号光信号相干的参考光信号；将待处理信号光信号与参考光信号输入至第一移相模块，第一移相模块对待处理信号光信号与参考光信号进行移相操作得到第一阵列的光学信号；将第一阵列的光学信号输入光学干涉模块，在光学干涉模块中对第一阵列的光学信号进行非线性运算得到第二阵列的光学信号，第二阵列的光学信号作为待处理的信号光信号的非线性响应输出。本发明技术方案解决了已有光学非线性函数计算单元对光功率和跨阻放大器的要求高的问题，且参数可调能提供的非线性函数灵活可控。

技术领域

本发明涉及光学神经网络技术领域，具体地涉及一种全光非线性激活函数的实现方法和装置。

背景技术

在现在人工智能最热门的深度学习中，其运算过程主要涉及两个部分：矩阵乘法和非线性激活函数。非线性运算是人工神经网络具备强大表达能力的根源，可以加快网络的收敛速度、提升识别的准确率，是神经网络中不可或缺的组成部分。

用光来完成深度学习算法，其本质在于用光来实现矩阵乘法和非线性激活函数。用光来完成矩阵乘法运算，现有的办法是使用马赫-曾德尔干涉仪(MZI)阵列、微环谐振腔(MRR)阵列等来实现。而在光域中实现非线性函数则存在两个层面的巨大挑战：(1)光学非线性效应的产生一般需要较高的光功率；(2)光子人工智能芯片架构中，对非线性激活函数的灵活性要求较高，而已有光学非线性效应的控制难度大，无法满足这种灵活性上的需要。同时非线性光学单元在芯片上集成也存在工艺兼容性和器件一致性等方面的诸多问题。因此，现有的非线性激活函数运算一般在电域中进行，在电域中实现非线性激活函数，需要使用模数转换(AD)，会带来额外的功耗，同时AD有限的转换速度也可能成为整个光子人工智能计算系统的性能瓶颈。

为了用光完成非线性激活函数运算过程，一种方法是用光学矩阵乘法单元的输出来模拟非线性激活函数的输入光信号，用光学非线性单元的传输矩阵来模拟光学非线性激活函数，输入信号在光学非线性单元中的传输等效于非线性激活函数作用于输入光信号，所以光学非线性单元的输出光信号即为输入光信号的非线性响应。

为了用光学非线性单元的传输矩阵来模拟光学非线性激活函数，现有的办法主要有以下两类：(1)使用光探测器接收光学矩阵乘法单元的输出光信号，并经跨阻放大器(TIA)放大后作为调制器(MZI调制器、MRR调制器、电光调制器等)的调制电信号，调制器的输入光信号为一束连续光，调制电信号施加于调制器，可对输入光信号进行非线性调制；(2)将光学矩阵乘法单元的输出光信号分为功率大小不同的两部分(如99：1)，使用光探测器接收功率较小(如1％)部分输出光信号，并经跨阻放大器(TIA)放大后作为调制器(MZI调制器、MRR调制器、电光调制器等)的调制电信号，光矩阵乘法单元的功率较大(如99％)部分用于模拟调制器的输入光信号，调制电信号施加于调制器，可实现对自身的非线性调制。然而，这些方法对于跨阻放大器(TIA)的要求高，功耗较大。

综上所述，如何实现低功耗、高速、易于实现、具有丰富表现形式的光学非线性激活函数，是目前本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明实施例提供了一种光学神经网络的全光非线性激活函数实现方法、装置。基于线性光学计算单元，无需利用光学非线性效应，克服了已有光学非线性函数计算单元对光功率和跨阻放大器(TIA)的高要求。

为此，本发明实施例提供如下技术方案：

根据本发明一方面，提供了一种光学神经网络的全光非线性激活函数实现方法，包括步骤：

获取待处理的信号光信号、与所述待处理的信号光信号相干的参考光信号；

将所述待处理的信号光信号与所述参考光信号输入至第一移相模块，所述第一移相模块对所述待处理的信号光信号与所述参考光信号进行移相操作得到第一阵列的光学信号；