基于波分复用的全光可重构硅基光子神经网络芯片

本发明属于光计算领域，涉及一种基于波分复用的全光可重构硅基光子神经网络芯片。

背景技术：

1、随着通信速率的提升和万物互联的发展，对超高速和高能效的算力需求也越来越大，而现有的冯·诺依曼架构下的传统电子计算体系难以同时实现超高算力和低能耗。为解决这一问题，亟需寻求高速率、低能耗的技术方法和手段实现算力的提升。光子凭借其大容量、超低延时、低能耗和高度并行的能力，成为了最具潜力的计算载体。随着集成技术的不断发展，微型光子芯片已能实现功能丰富的信号产生、处理、传输等操作。2019年，美国国防部就启动了“未来计算系统”项目开展光子计算芯片研究，德国航空航天中心于2022年开启光量子计算机研发项目，日本电话电报公司于近两年开启了相干伊辛机的研究。科技部专项申报指南中也将光电混合ai加速计算芯片、光学神经拟态计算系统成为重要内容。因此，光子芯片在提高算力和降低功耗这一方面有着卓越的表现，也有望成为未来新型算力处理器的重要代表之一。而光子神经网络芯片的研究不但是光计算领域最重要的分支，也因其应用广泛成为最具价值的研究方向。

2、早期利用光学手段实现的神经网络多数聚焦在利用半导体激光器等实现脉冲神经网络(snn)(jha a,huang c,peng h t,et al.photonic spiking neural networks andgraphene-on-siliconspikingneurons.journaloflightwavetechnology,2022)，在一些特定的任务下，其功耗与鲁棒性都优于当时的人工神经网络(ann)，十分适用于基于事件的任务，例如时间序列预测(hao,s.x.h.s.g.z.r.w.m.z.m.x.d.z.r.d.l.h.a review:photonics devices,architectures,and algorithms for optical neuralcomputing.journal of semiconductors,2021)等，但它需要特殊的训练算法，在许多应用上非常有限。ann经过多年发展，其架构以及处理任务的能力已经非常成熟。因此，在近年来出现了大量利用光学手段实现ann的方案，并发展为一个全新的研究方向——光子神经网络(onn)。目前onn分为集成onn和非集成onn两类，非集成onn主要是基于空间衍射原理来实现的，也是目前功能最完善，网络规模最大的一类(zuo y,li b,zhao y,et al.all-optical neural networkwith nonlinearactivationfunctions.optica,2019)。但它存在体积大、稳定性较差等缺点。此外，该类onn在自由空间中难以实现非线性运算。现有的集成onn同样也存在许多问题，比如，线性运算中，最常见的是基于mzi的相干矩阵向量乘法(mvm)方案(shen y,harris n c,skirlo s,et al.deep learning with coherentnanophotonic circuits.nature photonics,2017)，实现权重矩阵时首先需要进行矩阵分解，构建n×n幺正矩阵都需要n(n-1)个基本单元。这对于大规模网络而言，其实现难度可想而知。因此目前可实现的线性运算规模较小。而结构最为简单的基于波分复用的非相干mvm方案(tait a n,de lima t f,zhou e,et al.neuromorphic photonic networks usingsiliconphotonic weightbanks.scientific reports,2017)，却没有匹配的全光非线性运算方案。而非线性运算，目前通常采用计算机实现，也有部分方案中采用光电混合平台。这不但需要大量电光调制器、光电探测器等光-电-光转换器件，大大提高了成本和功耗，也削弱了光计算大容量、高速率的优势。而现有的全光非线性运算方案由于大多采用材料本身的非线性效应，导致其非线性功率阈值较高，其非线性运算功耗也较高，且只适用于相干mvm方案。并且，一旦芯片制备完成，onn的层数、每层神经元个数，以及各层非线性激活函数曲线就被固定下来，无法根据实际任务与训练集灵活变化以获得更高的计算准确度，网络结构和功能比较单一。此外，现有的全光非线性运算方案虽然在仿真中均能实现90％以上的准确度，但要获得该准确度，一般权重矩阵像素规模需达到～105，这在现有的片上线性运算网络结构下，几乎不可能实现，因此，包含线性运算和非线性运算两个模块，能够构建完整onn，并经过实验验证的集成方案极少。

3、通过分析可知，在现有的集成技术的基础上，综合考虑onn的线性运算和非线性运算特点，采用简单、紧凑的结构，实现基于波分复用的、神经网络层数和每层神经网络个数可变、非线性激活函数曲线可调的全光可重构onn芯片具有开创性的研究价值。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于波分复用的全光可重构硅基光子神经网络芯片。该芯片突破了现有波分复用onn方案中无法采用全光非线性激活函数的缺陷和线性运算模块与非线性运算模块神经元规模不相匹配的难题，采用全新的非线性调控方法实现了针对波分复用信号的全光运算，在单层神经元个数仅12的基础上，实现了94％的计算准确度。此外，该芯片还能实现神经网络层数和每层神经元个数可变、非线性激活函数曲线可调的可重构功能，使用范围广泛，可用性强。

2、为达到上述目的，本发明提供如下技术方案：

3、基于波分复用的全光可重构硅基光子神经网络芯片，所述光子神经网络芯片中的单层网络由分光区、线性运算模块、非线性运算模块、光引出装置模块和合光区组成；

4、所述分光区用于实现信号光和探测光的多路分光；

5、所述线性运算模块用于实现信号光的权重运算和调控单层神经元个数；

6、所述非线性运算模块用于实现可调非线性激活函数的运算；

7、所述光引出装置模块用于输出光子神经网络芯片结果，并实现网络层数的调控；

8、所述合光区用于实现信号光与探测光的多路合并至下一层作为网络的光信号输入。

9、进一步，所述分光区为多个y分支功分器串联、多个1×2路多模干涉耦合器mmi功分器串联或1×n路mmi功分器结构。

10、进一步，所述线性运算模块为圆形、跑道形、异形谐振腔或光栅阵列实现的波分复用信号功率调制模块，阵列中基本单元连接方式为串联、并联型或级联串联。

11、进一步，所述非线性运算模块为单根或多根波导悬空结构、环形谐振腔悬空结构或环形谐振腔与直波导耦合区域悬空结构组成的阵列。

12、进一步，所述光引出装置模块为马赫-泽德干涉仪mzi结构组成的阵列，通过调控mzi其中一臂上的微型热电极，实现路径选择，并在其中一路输出端口制备或连接光电转换装置，实现神经网络芯片的输出。

13、进一步，所述合光区为多个y分支功分器串联、多个1×2路mmi功分器串联或1×n路mmi功分器结构。

14、本发明的有益效果在于：采用全新的非线性调控方法，实现了基于现有波分复用onn方案的全光非线性激活函数，解决了线性运算模块与非线性运算模块神经元规模不相匹配的难题，并在单层神经元个数仅12的基础上，实现了94％的计算准确度。此外，该芯片还能实现神经网络层数和每层神经元个数可变、非线性激活函数曲线可调的可重构功能，使用范围广泛，可用性强。

15、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。