一种基于波分复用的高维光子神经网络计算装置及方法与流程

本申请涉及光子神经网络计算领域，特别是涉及一种基于波分复用的高维光子神经网络计算装置及方法。

背景技术：

1、信息化时代对计算芯片的算力提出了更高的要求，而集成电子芯片受限于电磁串扰与电子本征传播速度，其算力难以进一步提升。集成光子计算芯片能有效解决目前电子芯片算力受限的难题，带来的提升主要包括四个方面：第一，光子的传播速度远超于电子的传播速度，在完成整个计算过程，其带来的延时仅为ps量级，远低于电芯片引入的ns量级的延时；第二，光子具有丰富的维度，诸如波长、偏振与轨道角动量，目前在通信领域，基于波长复用、偏振复用以及模式复用，已经展示了100pbit/s量级的通信系统的演示，而在光子计算芯片领域中，基于波长复用、模式复用的光子计算芯片也应运而生，其有效提升算力；第三，不同频率光子无明显的电磁串扰，光子器件具有较大的透射带宽，能够更好的支持并行以及高带宽信号的传播；第四，较低的热效应；在光子计算芯片中，光子完成计算过程将导致更少热的产生，能够有效解决电子芯片大规模集成时需要引入散热的问题。

2、2017年，美国麻省理工学院沈依晨等基于马赫曾德(mzi)网络实现了光子神经网络的语言处理与分类，之后基于mzi网络演示光子神经网络进入快速发展时期。目前基于mzi网络展示的光子神经网络的算力大多仅仅限制在几tops或者几十tops，而未来大数据通常需要光子计算芯片的算力达到上百tops，如何基于mzi网络提升光子计算芯片的算力成为重要的研究方向。

技术实现思路

1、本申请的目的是提供一种基于波分复用的高维光子神经网络计算装置及方法，可在实现光子神经网络系统的准确计算的同时显著提升算力。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种基于波分复用的高维光子神经网络计算装置，包括fpga控制系统以及依次设置的多波长激光产生组件、片上集成光学神经网络组件、波分复用系统、高速探测系统；

4、所述多波长激光产生组件用于：根据所述fpga控制系统发出的激光产生指令生成多波长激光，然后根据所述fpga控制系统发出的放大指令进行光的功率放大；

5、所述片上集成光学神经网络组件用于：与所述fpga控制系统进行交互及网络训练，以确定训练好的全连接神经网络以及处于所述fpga控制系统内的卷积数据；根据所述fpga控制系统发出的调制信号对接收到的功率放大后的光进行调制，以加载待测数据；基于所述训练好的全连接神经网络，对所述待测数据进行光学矩阵乘加计算，以得到结果光信号；其中，所述fpga控制系统发出的调制信号是基于的训练好的卷积数据确定的；

6、所述波分复用系统用于：对所述结果光信号中的多波长激光进行分离；所述高速探测系统用于：确定分离后的不同波长激光信号的输出功率占比；

7、所述fpga控制系统还用于：根据接收到的不同波长激光信号的输出功率占比进行分类，以得到不同波长激光对所述待测数据的分类结果。

8、第二方面，本申请提供了一种基于波分复用的高维光子神经网络计算方法，应用于所述的基于波分复用的高维光子神经网络计算装置，方法包括：

9、采用多波长激光产生组件根据fpga控制系统发出的激光产生指令生成多波长激光，然后根据所述fpga控制系统发出的放大指令进行光的功率放大；

10、采用片上集成光学神经网络组件与所述fpga控制系统进行交互及网络训练，以确定训练好的全连接神经网络以及处于所述fpga控制系统内的卷积数据；

11、采用所述片上集成光学神经网络组件根据所述fpga控制系统发出的调制信号对接收到的功率放大后的光进行调制，以加载待测数据；所述fpga控制系统发出的调制信号是基于的训练好的卷积数据确定的；

12、采用所述片上集成光学神经网络组件基于所述训练好的全连接神经网络，对所述待测数据进行光学矩阵乘加计算，以得到结果光信号；

13、采用波分复用系统对所述结果光信号中的多波长激光进行分离，采用高速探测系统确定分离后的不同波长激光信号的输出功率占比；

14、采用所述fpga控制系统根据不同波长激光信号的输出功率占比进行分类，以得到不同波长激光对所述待测数据的分类结果。

15、根据本申请提供的具体实施例，本申请公开了以下技术效果：本申请提供了一种基于波分复用的高维光子神经网络计算装置及方法，通过fpga控制系统以及依次设置的多波长激光产生组件、片上集成光学神经网络组件、波分复用系统、高速探测系统的协作可完整实现高维光子神经网络的计算；结合片上集成光学神经网络组件与fpga控制系统进行交互及网络训练，确定训练好的全连接神经网络以及处于fpga控制系统内的卷积数据，基于此进行相关计算，能够保证高维光子神经网络的计算准确性；最终，本申请中将片上集成光学神经网络组件中的mzi网络(其包括多个mzi部件)与波分复用系统(其包括多个波长复用通道)相结合，可显著提升半导体光子神经网络系统的算力。

技术特征：

1.一种基于波分复用的高维光子神经网络计算装置，其特征在于，所述基于波分复用的高维光子神经网络计算装置包括fpga控制系统以及依次设置的多波长激光产生组件、片上集成光学神经网络组件、波分复用系统、高速探测系统；

2.根据权利要求1所述的基于波分复用的高维光子神经网络计算装置，其特征在于，所述多波长激光产生组件包括依次设置的光源、功率放大系统；

3.根据权利要求2所述的基于波分复用的高维光子神经网络计算装置，其特征在于，所述光源包括依次设置的单频激光器、掺铒光纤放大器及微环谐振腔；

4.根据权利要求3所述的基于波分复用的高维光子神经网络计算装置，其特征在于，所述微环谐振腔的结构为add-drop结构，所述微环谐振腔封装在壳体中。

5.根据权利要求1所述的基于波分复用的高维光子神经网络计算装置，其特征在于，所述片上集成光学神经网络组件包括依次设置的高速光调制器、片上集成光学神经网络系统；

6.根据权利要求5所述的基于波分复用的高维光子神经网络计算装置，其特征在于，所述高速光调制器具体包括：

7.根据权利要求5所述的基于波分复用的高维光子神经网络计算装置，其特征在于，所述片上集成光学神经网络系统中包含硅基mzi网络；所述硅基mzi网络包括多个mzi器件，采用载流子调谐的方式对所述硅基mzi网络进行编程，以表征为全连接神经网络的形式。

8.一种基于波分复用的高维光子神经网络计算方法，应用于权利要求1-7中任一项所述的基于波分复用的高维光子神经网络计算装置，其特征在于，所述基于波分复用的高维光子神经网络计算方法包括：

9.根据权利要求8所述的基于波分复用的高维光子神经网络计算方法，其特征在于，所述片上集成光学神经网络组件包括依次设置的高速光调制器、片上集成光学神经网络系统；

技术总结本申请公开了一种基于波分复用的高维光子神经网络计算装置及方法，涉及光子神经网络计算领域，装置包括FPGA控制系统、多波长激光产生组件、片上集成光学神经网络组件、波分复用系统、高速探测系统；片上集成光学神经网络组件与FPGA控制系统进行交互及网络训练、对接收到的功率放大后的光进行调制、基于训练好的全连接神经网络对待测数据进行光学矩阵乘加计算；调制信号是基于的训练好的卷积数据确定的；波分复用系统对结果光信号中的多波长激光进行分离；高速探测系统确定分离后的不同波长激光信号的输出功率占比；FPGA控制系统确定不同波长激光对待测数据的分类结果。本申请在实现光子神经网络系统的准确计算的同时显著提升算力。技术研发人员：杨文强受保护的技术使用者：北京芯算科技有限公司技术研发日：技术公布日：2024/11/4