1.本发明属于光子信号技术领域，特别是涉及一种光子神经网络芯片。
背景技术：
2.光子集成技术利用光作为传输和处理载体，可以轻松突破电子技术的带宽瓶颈，为将来的超大带宽超高速计算提供有力支撑。因此，利用光子技术实现一种深度学习计算芯片，也就是神经网络芯片，成为了研究热点。
3.麻省理工学院利用相干光学的方式研制了一种可实现矩阵乘法的光子神经网络芯片。但是此方法的劣势也较为明显，当所需要的计算较为复杂时，此方法所实现的芯片将十分复杂，其中的光子移项器级联级数将十分庞大，影响最终的计算正确率。然而，实现光子神经网络的方法不仅只有相干光的方法，还可以使用非相干光的方式。这种方式利用波分复用的方法，避免了对光相位的精确控制，更有效地完成了光子神经网络的架构。通过这种方法的启发，我们可以实现一种基于微环谐振器的光子卷积层芯片。在避免精确控制光相位的同时，实现超快速的卷积计算，为未来深度学习技术的进一步发展提供强大的数字计算能力。
技术实现要素：
4.本发明主要解决的技术问题是提供一种光子神经网络芯片，利用波分复用的方式，将矢量化的待计算信号加载到不同的光波长上；利用集成微环谐振器的可调谐性，可以实现任意数值的卷积计算。并且，利用光作为数值计算媒介，将卷积计算的速度提升至常数级，同时具有更高的能效比优势。
5.为解决上述技术问题，本发明采用的一个技术方案是：一种光子神经网络芯片，包括激光源阵列、波分复用器阵列、光子卷积核阵列和光微环谐振器阵列，所述激光源阵列共有若干个输出端，所述波分复用器阵列由若干个输入端、若干路波分复用器和若干个输出端构成，所述光子卷积核阵列包括若干个同样架构的光子卷积核，所述光微环谐振器阵列包括若干个光微环谐振器。
6.进一步地说，所述激光源阵列的第n输出端与所述波分复用器阵列的第n输入端相连，所述波分复用器阵列的第n输出端与所述光子卷积核阵列的第n输入端相连，第n光子卷积核的输出端与所述光微环谐振器阵列的第n光微环谐振器的输出端相连。
7.进一步地说，第n光子卷积核包括第一级光分支器、第二级光分支器、第一级若干z若干、第二级若干z若干、第一级光合路器和第二级光合路器，第一级光分支器的输入端接所述所述波分复用器阵列的第n输出端，将输入光分为l1分光、l2分光，l1分光与所述第二级光合路器的第一输入端相连，l2分光与所述第二级光分支器的输入端相连，该第二级光分支器的n个输出端分别与n个第一级若干z若干的输入端相连，n个第一级若干z若干的输出端分别与所述n个第二级若干z若干的输入端相连，n个第二级若干z若干的输出端与所述第一级光合路器的n个对应点输入端相连，该第一级光合路器将n路光合成为一路调制光经
输出端输出，所述第一级光合路器与所述第二级光合路器的第二输入端相连，所述第二级光合路器将所述调制光与参考光合成从输出端输出；该所述第二级光合路器的输出端即第n光子卷积核的输出端，所述n个第一级若干z若干的调制端与所述待卷积的信号输入端相连，所述n个第二级若干z若干的调制端与所述卷积窗信号输入端相连。
8.进一步地说，所述光分支器采用y-分支器或多模干涉仪。
9.进一步地说，所述若干z若干采用铌酸锂电光调制器、聚合物电光调制器或硅基集成电光调制器。
10.进一步地说，所述光合路器采用y-合路器或多模干涉仪。
11.本发明的有益效果：
12.利用波分复用的方式，将矢量化的待计算信号加载到不同的光波长上；利用集成微环谐振器的可调谐性，可以实现任意数值的卷积计算。并且，利用光作为数值计算媒介，将卷积计算的速度提升至常数级，同时具有更高的能效比优势。
附图说明
13.图1是本发明的结构示意图。
具体实施方式
14.下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
15.实施例：一种光子神经网络芯片，如图1所示，包括激光源阵列1、波分复用器阵列2、光子卷积核阵列3和光微环谐振器阵列4，所述激光源阵列共有若干个输出端，所述波分复用器阵列由若干个输入端、若干路波分复用器和若干个输出端构成，所述光子卷积核阵列包括若干个同样架构的光子卷积核，所述光微环谐振器阵列包括若干个光微环谐振器。
16.所述激光源阵列的第n输出端与所述波分复用器阵列的第n输入端相连，所述波分复用器阵列的第n输出端与所述光子卷积核阵列的第n输入端相连，第n光子卷积核的输出端与所述光微环谐振器阵列的第n光微环谐振器的输出端相连。
17.第n光子卷积核包括第一级光分支器、第二级光分支器、第一级若干z若干、第二级若干z若干、第一级光合路器和第二级光合路器，第一级光分支器的输入端接所述所述波分复用器阵列的第n输出端，将输入光分为l1分光、l2分光，l1分光与所述第二级光合路器的第一输入端相连，l2分光与所述第二级光分支器的输入端相连，该第二级光分支器的n个输出端分别与n个第一级若干z若干的输入端相连，n个第一级若干z若干的输出端分别与所述n个第二级若干z若干的输入端相连，n个第二级若干z若干的输出端与所述第一级光合路器的n个对应点输入端相连，该第一级光合路器将n路光合成为一路调制光经输出端输出，所述第一级光合路器与所述第二级光合路器的第二输入端相连，所述第二级光合路器将所述调制光与参考光合成从输出端输出；该所述第二级光合路器的输出端即第n光子卷积核的输出端，所述n个第一级若干z若干的调制端与所述待卷积的信号输入端相连，所述n个第二级若干z若干的调制端与所述卷积窗信号输入端相连。
18.所述光分支器采用y-分支器或多模干涉仪。
19.所述若干z若干采用铌酸锂电光调制器、聚合物电光调制器或硅基集成电光调制
器。
20.所述光合路器采用y-合路器或多模干涉仪。
21.本发明的工作原理如下：
22.利用波分复用的方式，将矢量化的待计算信号加载到不同的光波长上；利用集成微环谐振器的可调谐性，可以实现任意数值的卷积计算。并且，利用光作为数值计算媒介，将卷积计算的速度提升至常数级，同时具有更高的能效比优势。
23.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
技术特征：
1.一种光子神经网络芯片，其特征在于：包括激光源阵列(1)、波分复用器阵列(2)、光子卷积核阵列(3)和光微环谐振器阵列(4)，所述激光源阵列共有若干个输出端，所述波分复用器阵列由若干个输入端、若干路波分复用器和若干个输出端构成，所述光子卷积核阵列包括若干个同样架构的光子卷积核，所述光微环谐振器阵列包括若干个光微环谐振器。2.根据权利要求1所述光子神经网络芯片，其特征在于：所述激光源阵列的第n输出端与所述波分复用器阵列的第n输入端相连，所述波分复用器阵列的第n输出端与所述光子卷积核阵列的第n输入端相连，第n光子卷积核的输出端与所述光微环谐振器阵列的第n光微环谐振器的输出端相连。3.根据权利要求1所述光子神经网络芯片，其特征在于：第n光子卷积核包括第一级光分支器、第二级光分支器、第一级若干z若干、第二级若干z若干、第一级光合路器和第二级光合路器，第一级光分支器的输入端接所述所述波分复用器阵列的第n输出端，将输入光分为l1分光、l2分光，l1分光与所述第二级光合路器的第一输入端相连，l2分光与所述第二级光分支器的输入端相连，该第二级光分支器的n个输出端分别与n个第一级若干z若干的输入端相连，n个第一级若干z若干的输出端分别与所述n个第二级若干z若干的输入端相连，n个第二级若干z若干的输出端与所述第一级光合路器的n个对应点输入端相连，该第一级光合路器将n路光合成为一路调制光经输出端输出，所述第一级光合路器与所述第二级光合路器的第二输入端相连，所述第二级光合路器将所述调制光与参考光合成从输出端输出；该所述第二级光合路器的输出端即第n光子卷积核的输出端，所述n个第一级若干z若干的调制端与所述待卷积的信号输入端相连，所述n个第二级若干z若干的调制端与所述卷积窗信号输入端相连。4.根据权利要求1所述光子神经网络芯片，其特征在于：所述光分支器采用y-分支器或多模干涉仪。5.根据权利要求1所述光子神经网络芯片，其特征在于：所述若干z若干采用铌酸锂电光调制器、聚合物电光调制器或硅基集成电光调制器。6.根据权利要求1所述光子神经网络芯片，其特征在于：所述光合路器采用y-合路器或多模干涉仪。
技术总结
本发明公开了一种光子神经网络芯片，包括激光源阵列、波分复用器阵列、光子卷积核阵列和光微环谐振器阵列，所述激光源阵列共有若干个输出端，所述波分复用器阵列由若干个输入端、若干路波分复用器和若干个输出端构成，所述光子卷积核阵列包括若干个同样架构的光子卷积核，所述光微环谐振器阵列包括若干个光微环谐振器。本发明利用光作为数值计算媒介，将卷积计算的速度提升至常数级，同时具有更高的能效比优势。能效比优势。
技术研发人员：白冰
受保护的技术使用者：光子算数（苏州）智能科技有限公司
技术研发日：2020.05.07
技术公布日：2021/11/8
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
