[发明专利]一种实现光学神经网络的方法及系统

说明书

本发明公开了一种实现光学神经网络的方法及系统，方法包括：获取三角函数的第一拟合函数；构建所述第一拟合函数的光电转换结构；基于所述光电转换结构和所述第一拟合函数得到第二拟合函数；基于所述第一拟合函数和所述第二拟合函数构建所述第二拟合函数的乘加结构；将所述乘加结构和所述光电转换结构连接得到光学神经网络的卷积计算结构以实现光学神经网络。通过本发明的方案，减少了光电转换，提高了运算速度，实现了全光神经网络的卷积运算。

技术领域

本发明涉及光学神经网络技术领域，尤其涉及一种实现光学神经网络的方法及系统。

背景技术

通过MZI(Mach–Zehnder interferometer，马赫曾德尔干涉仪)实现光运算的方式具有易于控制的特点，是现今工业界采用最多的方法，而相应的基于MZI实现ONN(opticalneural network，光学神经网络)中卷积运算是其中的研究热点。但是现有技术中都是使用MZI去做ANN(Artificial Neural Network，人工神经网络)中的卷积(乘加)运算，在人工神经网络的数学模型中，数据一般以二进制串的形式表示，利用二进制串表示的数字是离散的，例如整数或浮点值；在光学神经网络中，数据是通过调制激光脉冲的振幅(或相位)来进行编码的，产生的是连续实数值，改变光场的强度或相位会改变所表示的实数，因此对于光学运算还需要将光信号转化为电信号，在计算机中执行，这样的实现方式极大的限制了运算的速度和性能。在数学模型上，利用可编程移相器、马赫曾德尔干涉仪等结构，可以使用奇异值分解的方式实现任意维度的矩阵乘法运算，奇异值分解是一种重要的矩阵分解方式，同时也是机器学习中常用的算法之一，在提取特征、简化数据、推荐系统中应用广泛，因此光学神经网络中的数学模型上任意维度的实数矩阵都可以通过奇异值分解的方法分解为三个矩阵的积，通过MZI连接架构实现。但是这种实现针对的是线性乘加运算，对于非线性的乘加运算普通的MZI连接架构是无法实现的，并且每次光电转换都会涉及很多损耗，这也是一直困扰光学神经网络卷积运算的主要问题。

发明内容

有鉴于此，本发明提出了一种实现光学神经网络的方法及系统，减少了光电转换次数，提高了运算速度，实现了全光神经网络的卷积运算。

基于上述目的，本发明实施例的一方面提供了一种实现光学神经网络的方法，具体包括如下步骤：

获取三角函数的第一拟合函数；

构建所述第一拟合函数的光电转换结构；

基于所述光电转换结构和所述第一拟合函数得到第二拟合函数；

基于所述第一拟合函数和所述第二拟合函数构建所述第二拟合函数的乘加结构；

将所述乘加结构和所述光电转换结构连接得到光学神经网络的卷积计算结构以实现光学神经网络。

在一些实施方式中，所述三角函数为tanh激活函数、第一拟合函数为第一tanh拟合函数、第二拟合函数为第二tanh拟合函数。

在一些实施方式中，获取三角函数的第一拟合函数，包括：

基于tanh激活函数获取所述tanh激活函数的第一tanh拟合函数。

在一些实施方式中，基于tanh激活函数获取所述tanh激活函数的第一tanh拟合函数，包括：

对所述tanh激活函数进行泰勒展开，得到拟合曲线最接近tanh激活函数的曲线的第一tanh拟合函数，所述第一tanh拟合函数的表达式为：y＝0.0075x⁵-0.1248x³+0.8679x。

在一些实施方式中，构建所述第一拟合函数的光电转换结构，包括：

基于马赫曾德尔干涉仪结构构建所述第一tanh拟合函数的光电转换结构。