用于提供人工神经网络的方法与流程

用于提供人工神经网络的方法
1.本发明涉及一种用于提供人工神经网络的方法。此外，本发明涉及一种用于提供人工神经网络的系统。
2.对于人工神经网络的使用存在大量的应用可能性，其中，重要的是对信息的快速处理。例如对于自动驾驶，实时的尽可能可靠的环境感知是重要的。在此，可以借助传感器、如雷达、激光雷达(lidar)和摄像机检测交通工具的环境。通常也可以规定对环境的完整的360
°‑
3d检测，由此所有静态和动态的对象被检测和分类。
3.尤其是摄像机在冗余的、耐用的环境检测中具有重要作用，因为这种传感器类型能够在环境检测中精确地测量角度并且用于环境的分类。然而，对摄像机图像的处理和分类是计算密集的并且在结构上较耗费。尤其是360
°‑
3d环境检测存在问题，因为必须将大量单独图像分类和处理并且因此计算耗费提高。
4.传统的高性能的人工神经网络(被称为nn或者knn)能够以小于10hz的图像刷新速率将摄像机图像或者其它传感器的数据分类。对于大量应用情况、如在实时的可靠的环境检测的情况下，这种图像刷新速率通常是不够的，因为现代的摄像机系统以30hz的图像刷新速率工作。此外，数据负荷随着增大的摄像机图像分辨能力而提高。
5.通常限制性的因素是现代的高性能计算机的处理器速度或者gpu速度，所述gpu速度本身以gpu加速度可能不足以完全实时地将图像分类。
6.因此本发明所要解决的技术问题在于，至少部分地消除前述的缺点。本发明所要解决的技术问题尤其在于，建议对于传统knn的备选方案。
7.该技术问题通过具有权利要求1的特征的方法和通过具有权利要求9的特征的系统解决。本发明的其它特征和细节由相应的从属权利要求、说明书和附图得出。在此，结合按照本发明的方法描述的特征和细节当然也结合按照本发明的系统适用，并且分别反之亦然，因此对于各个单独的发明方面的公开总是相互引用或者能够被相互引用。
8.本发明的主题是一种用于提供人工神经网络、尤其是提供光学的色散神经网络的方法。在此尤其规定，优选依次地以给出的次序和/或重复地执行以下步骤：
[0009]-提供用于网络的光学信号，以便通过由网络对光学信号的处理获得网络的输出内容，其中，由网络对光学信号的处理优选借助所述信号的预定义的光学滤波实现，
[0010]-使用光学信号的特性，其中，所述特性可以对于所述光学信号的(光谱的和/或时间的)相位是特定的，以便为所述处理提供网络的至少一个网络组件，其中，所述至少一个网络组件优选包括网络的至少一个神经元和/或网络的至少一个权重，其中，优选通过以下方式实现特性的使用，即，预定义的光学滤波包括对特性的预定义的适配或者说调整，以便提供神经元的线性加权和/或非线性函数，
[0011]-可选地：提供多个神经元作为所述至少一个网络组件并且使用网络的光谱组合器，以便在光谱上组合神经元的由使用所述特性获得的输出信号。
[0012]
以此方式可以实现对信号的光学处理，并且因此相对于纯电子处理带来明显的速度优势。在此，所述处理和尤其是滤波可以是预定义的，即在创建网络时可以固定地预设用于处理的特性的改变范围(例如在训练阶段的范围内)。这例如可以建设性地通过选择和/
或调整所述网络的用于特性使用的光学元件和/或对光学信号进行滤波实现。
[0013]
例如可以通过以下方式实现光学信号的对于所述光学信号的(光谱的和/或时间的)相位特定的特性的使用以提供神经元和/或权重，即，将所述光学信号在传播期间在材料中的色散用作神经元和/或权重。人工神经网络(简称为knn)的至少一个神经元例如可以分别设计为光学的和/或色散的神经元，和/或knn的至少一个权重可以分别设计为光学的和/或色散的权重。以此方式能够以光速实现对信息(尤其是数据)的处理。
[0014]
光学信号例如包括被输入到网络中的光学输入信号。通过输入信号可以呈现需要处理的信息，通过对光学输入信号的处理可以处理所述信息，以便作为处理结果获得输出内容(例如形式为光学输出信号，即被处理的光学输入信号)。
[0015]
一种用于提供光学信号的可能性在于，将激光脉冲用作光学信号(即光信号)。同样也可以考虑光学信号的备选实施方式，例如作为连续的激光束等。所述处理可以通过改变(光谱的和/或时间的)相位分布图实现，如以下还将示例性地描述的那样。在此，可以为此目的使用光学的色散元件，所述色散元件适用于调整(光谱的和/或时间的)相位分布图。改变(光谱的和/或时间的)相位分布图能够实现的是，将光学信号的对于所述光学信号的(光谱的和/或时间的)相位特定的特性、例如(光谱的和/或时间的)相位本身或者其导数或者其傅里叶变换用作光学神经元和/或用作光学权重。
[0016]
此外，在本发明的范围内可以考虑的是，通过以下方式实现光学信号的提供，即，将光信号传输至所述至少一个网络组件的至少一个中，其中，所述光信号可以是信息的载体，通过网络的处理对所述信息进行处理，以便获得对所述信息的评估、尤其是分类作为输出内容。因此，光学信号可以首先作为输入信号被输入到网络中。以此方式可以将信息、例如传感器数据等输入到网络中。在此，信息也可以直接作为输入信号被传输(例如通过光学器件传输光线或者激光雷达射线)和/或所述信息可以电子地读入并且由此在光学的载体信号上作为输入信号被传输。(lidar在此是英语light detection and ranging的缩写，并且例如可以在交通工具中用于检测环境和/或测量距离和速度)。
[0017]
在本发明中可以有利地规定，通过以下方式实现对于光学信号的(光谱的和/或时间的)相位特定的特性的使用，即，非线性地和/或线性地改变光学信号的(光谱的和/或时间的)相位分布图，以便(尤其是以预定义的方式)改变所述特性，以便尤其实施神经元的非线性函数(如激活函数)和/或权重的线性加权。一般来说，例如通过对(光谱的和/或时间的)相位或者与之相关的特性的使用，实现对光学信号的特性的使用。(对于光学信号的光谱的和/或时间的相位特定的)特性可以相应地是光谱相位和/或时间相位本身或者也可以是群时延(英语group delay，缩写gd)或者群时延色散(英语group delay dispersion，缩写gdd)或者群速度色散(英语group velocity dispersion，缩写gvd)或者光谱相位的导数的三阶色散(英语third orderdispersion，缩写tod)或者更高阶的色散。为了通过网络并且具体地通过网络组件执行所述处理，即例如实施通过权重的加权和/或神经元函数(例如激活函数)，可以(例如通过色散材料的使用)改变前述的特性。为此，例如使用以下还将描述的光学的色散元件，它们可以在结构上组合为网络，以便提供处理。在加权时，例如实现对色散和/或光谱的和/或时间的相位和/或gd和/或gdd和/或tod的线性改变。必要时也可以实现对光学信号的频率调制以便加权。此外可以考虑的是，为了实施神经元的(非线性的)函数，执行对所述特性、例如光谱相位和/或gd和/或gdd和/或tod的非线性改变。因此，
神经元函数例如可以作为激活函数、如赫维赛德函数或者sigmoid函数或者relu函数被提供。
[0018]
在本发明的范围内可以规定，通过以下方式分析输出内容和/或所述至少一个网络组件的输出信号，即，分析、尤其是测量光学信号的对于所述光学信号的(光谱的和/或时间的)相位特定的特性。为了通过多个权重和/或神经元执行所述处理，即尤其为了将网络组件相互组合(即优选相互耦合)，可以规定多个神经元的光学(输出)信号的连贯的或者不连贯的光谱组合，并且将组合的(输出)信号通过光学权重传导至下一层的接下来的光学神经元。最后，为了分析网络的输出内容，可以测量对于光学信号的(光谱的和/或时间的)相位特定的特性。在网络的输出端可以相应地探测色散分布图作为期望的输出信息，例如在分类的情况下探测分类信息，并且将输出内容例如传递至cpu(central processing unit)或者gpu(graphics processing unit)以实现进一步处理，如形成环境模型。
[0019]
按照本发明的方法可以提供的优点为，提高用于通过knn处理的计算速度，并且也实现了深度光学神经knn的创建。在此，分类能够以光速实现。此外，相对于备选的解决方案可能需要较低的光学功率以触发非线性的响应函数，因为不需要多光子过程参与或者可以只使用材料特性。此外可以简单地实现环形线路。整个knn能够以光学神经网络(缩写onn)的形式在半导体上物理地制造。此外可能可行的是，在光子电子共集成芯片上在cmos、sin-cmos、bi-cmos、hybrid bi-cmos工艺中将onn集成在半导体芯片上。
[0020]
此外，在本发明的范围内可以规定，以光学输入信号的形式提供所述光学信号，所述光学输入信号对于输入信息是特定的并且通过所述至少一个网络组件处理，以便获得对于所述输出内容特定的光学输出信号。因此，输出信号可以与输入信号不同地包括关于输入信号的附加信息，例如分类的分类信息。
[0021]
进一步有利地可以规定，提供多个网络组件，所述网络组件包括多个神经元和/或多个权重，所述神经元和/或权重相互设置在网络的不同的层面中并且光学地相互连接。所述网络通常可以由多个网络组件组成，所述网络组件相应于网络结构地相互连接。在此，网络组件可以设置在网络的不同层面中，并且通过连接、例如波导可以将一个层面的网络组件的输出信号作为输入信号传输至接下来的层面的网络组件。
[0022]
可选地可以规定，对于光学信号的(光谱的和/或时间的)相位特定的特性是光谱相位和/或时间相位本身或者群时延或者群时延色散或者群速度色散或者光谱相位的导数的三阶色散或者更高阶的色散。这实现了对光学信号的可靠处理和分析。此外可能可行的是，神经元设计为色散的神经元，所述色散的神经元通过对光学信号的光谱相位调制提供神经元的非线性函数。
[0023]
按照其它的优点可以规定，在交通工具中使用网络，其中，优选以光学输入信号的形式提供所述光学信号，所述光学输入信号针对关于交通工具的环境的输入信息是特定的并且通过所述至少一个网络组件处理，以便优选获得输出内容作为对输入信息的分类。交通工具例如可以设计为机动车和/或轿车(或者载重汽车)和/或自动的交通工具。输入信息例如可以是具有摄像机等的传感器数据的信号。
[0024]
同样地，本发明的主题是一种用于提供人工神经网络的系统，所述系统优选用于交通工具，所述系统具有：
[0025]-用于提供用于网络的光学信号的(尤其是光电的)接口，以便通过由网络对光学
信号的处理获得网络的输出内容，
[0026]-至少一个光学元件和/或色散元件，其用于使用光学信号的对于所述光学信号的光谱相位和/或时间相位特定的特性，以便为所述处理提供网络的至少一个网络组件。
[0027]
在此规定，所述至少一个网络组件包括网络的至少一个神经元和/或权重。因此，按照本发明的方法能够以光学的、色散的方式提供knn。
[0028]
因此，按照本发明的系统带来了与已经关于按照本发明的方法详细描述的优点相同的优点。此外，该系统可以适用于执行按照本发明的方法。
[0029]
在按照本发明的系统中，可以设置有多个元件并且所述元件在结构上相互耦合以形成网络。为此例如将这些元件集成到半导体中和/或通过波导耦合，以便在网络组件之间传输光学信号。例如，色散元件可以具有色散介质，以便使用、尤其是改变光学信号的特性。
[0030]
此外，在本发明的范围内可能有利的是，设置有多个光学元件并且所述光学元件分别设计用于，为了使用所述特性，至少非线性地(或者备选或者附加地线性地)改变光学信号的光谱的和/或时间的相位分布图，以便分别提供网络的神经元的(备选或者附加地提供权重的)输出信号，其中，优选设置有网络的至少一个光谱组合器，以便在光谱上组合神经元(或者权重)的输出信号，并且优选设置有光谱相位分析器，以便为了提供输出内容分析所组合的输出信号的相位。
[0031]
本发明的进一步的优点、特征和细节由以下描述得出，其中参照附图详细描述了本发明的实施例。在此，在权利要求书和说明书中提到的特征可以分别单独地或者在任何组合中对于本发明是重要的。在附图中分别示意性地：
[0032]
图1示出按照本发明的方法的方法步骤，
[0033]
图2示出神经网络，
[0034]
图3示出用作神经元非线性函数的sigmoid函数的图，
[0035]
图4示出脉冲的电场作为时间的函数，
[0036]
图5示出不同激光脉冲的电场强度作为时间的函数，
[0037]
图6示出光学信号的光谱相位作为时间的函数，
[0038]
图7示出gd和光谱相位作为时间的函数，
[0039]
图8示出用作神经元的色散元件，
[0040]
图9示出激光脉冲穿过石英玻璃的传播和通过作为色散元件的色散镜的反射的可视化显示，
[0041]
图10示出在传播穿过石英玻璃之后的激光脉冲的gd和gdd和通过作为色散元件的色散介电薄层的反射的可视化显示，
[0042]
图11示出光学信号在通过网络借助色散元件处理时的光谱和光谱相位的一个分布图，
[0043]
图12示出光学信号在通过网络借助色散元件处理时的光谱和光谱相位的多个分布图，
[0044]
图13示出色散光学网络的示例性设计，
[0045]
图14示出光谱相位分析器的示例性设计，其中将两个延时脉冲在非线性过程中与一个在时间上伸长的脉冲混合，从而使频率转换的输出脉冲在光谱上被剪切，
[0046]
图15输出利用光学网络进行数据处理的流程图，
[0047]
图16示出激光脉冲穿过石英玻璃的传播和通过一个色散镜的反射，
[0048]
图17示出激光脉冲穿过石英玻璃的传播和通过不同色散镜的反射，
[0049]
图18示出由半导体形成的神经网络的示例性设计。
[0050]
在以下的附图中，即使对于不同实施例的相同技术特征也使用相同的附图标记。
[0051]
在图1中示意性地可视化显示按照本发明的用于提供人工神经网络200的方法的方法步骤。在此，根据第一方法步骤301，向网络200提供光学信号100(为了说明，以输入信号101和输出信号102的形式显示)，以便通过由网络200对光学信号100的处理获得网络200的输出内容210。输入信号101例如可以根据传感器数据103、如摄像机图像被提供。随后，根据第二方法步骤302，可以使用光学信号100的特性，其中，所述特性对于光学信号100的光谱相位和/或时间相位是特定的，以便为了所述处理提供网络200的至少一个网络组件250。如以下还将详细描述的那样，至少一个网络组件250可以包括网络200的神经元251和/或权重252。
[0052]
如在图1中进一步说明的那样，knn 200例如可以在交通工具1的自动驾驶功能中用于对交通工具1的环境2进行分类。一般来说，可以规定将网络200用于交通工具1中，其中，以光学输入信号101的形式提供光学信号100，所述光学输入信号对于关于交通工具1的环境2的输入信息是特定的，并且由至少一个网络组件250处理，以便获得作为输入信息分类的输出内容210。输入信息可以例如由交通工具1的摄像机确定。在此，可以将传感器数据103、例如摄像机的摄像机图像转换为光学输入信号101并且通过权重252(英语“weights”)传递给knn 200的神经元251(在图2中示意性地显示)。在通过knn 200的处理过程中，例如为摄像机图像的各个单独像素分配类别(例如用于区分道路和路标，交通工具和行人或者植被也可以是独有的类别)。所述分类可以由输出内容210表示。通过这种分类，可以精确地检测环境2，并且输出内容210因此有助于理解场景，因此驾驶功能可以适应性地处理。
[0053]
在此，神经元251的输出信号并且因此被传递给接下来的层的神经元251的信号，可以通过加权响应函数之和的sigmoid函数来给出
[0054][0055]
其中，ωi代表权重252，代表神经元251，并且σ代表sigmoid函数(参见图3，在图3中显示了sigmoid函数的示例图，该函数通常用作knn 200内的神经元的非线性函数)。因此，knn 200形成了函数
[0056]
f(a0,
…
,an)＝(y0,
…
,yk)
ꢀꢀ
(2)
[0057]
其中并且其中，函数值yi可以作为输出内容210的类别信息被输出。
[0058]
传统上，人工神经网络是在传统的计算机架构上实现的，然而，它的缺点是对较大数据量的处理较慢。相比之下，通过knn 200的光学设计可以实现明显的速度优势，这使得也能够将knn 200用于驾驶功能，例如也能够用于自动驾驶的驾驶功能。
[0059]
作为光学信号100，例如可以考虑连续的激光束(即连续波，即在时间上恒定的发射波)或者激光脉冲，它们可以通过波导283以技术上可靠的方式传输到至少一个网络组件250。图4显示了单个激光脉冲作为时间t的函数的示意图，其中脉冲的电场e在包络曲线下振荡。在此，单个脉冲通过其时长τ、波长λ/频率ω和振幅表征。这种脉冲的最小可实现的时长由时间-带宽的乘积定义：
[0060]
τ
·
δω＝const.
ꢀꢀ
(3)
[0061]
由方程(3)可以看出，脉冲具有光谱带宽并且因此是不同频率的单色波的叠加。因此，如图5中的图(a)所示，不是只有单一的频率在包络线下振荡，而是有多个光谱模式在包络线下振荡。
[0062]
包络线的运动速度被称为群速度υg(或者也简称gv)并且由波数k(波矢量)的导数定义：
[0063][0064]
折射率在此由n(ω)给出。各个单独的单色波的传播速度被称为相位速度υ
p
：
[0065][0066]
其中，波数通过
[0067][0068]
给出。
[0069]
如果脉冲无色散地传播，则υg和υ
p
是相同的，因为成立(参见图5，根据在图5中示出的图(a))。然而，在色散介质中情况并非如此，因此包络线的分布图发生变化(参见图5，根据在图5中示出的图(b))。由方程(4)和(5)可以看出，在正常色散的介质中(n》1)，红色光谱成分的延迟没有蓝色光谱成分那么强烈，从而使脉冲在时间上被拉伸(频率啁啾)。
[0070]
通过求解亥姆霍兹方程，激光脉冲的电场e(t)可以作为时间t的函数由以下方程描述，
[0071][0072]
其中，ω0描述载波频率，ψ(t)描述时间相位并且i(t)描述强度。例如，对于高斯形脉冲，i(t)通过
[0073]
i(t)
∝
|e0|2·
e-2.76
·
t/τ
ꢀꢀ
(8)
[0074]
给出，其中电场的振幅e0和脉冲的半值宽度τ定义了脉冲时长。方程(7)和(8)表明，只有振幅、频率和脉冲时长不足以完全表征所述脉冲，而且还必须考虑到时间相位。为了更深入地了解脉冲内的色散动力学，对脉冲的光谱观察是有用的。
[0075]
通过e(t)在频率空间中的傅里叶变换，由方程(7)通过将脉冲围绕其中心频率的对中(ω-ω0)
→
ω得到：
[0076][0077]
其中s(ω)代表光谱功率密度并且φ(ω)代表光谱相位，所述光谱相位可以通过
[0078][0079]
表示。光谱相位定义了包络线下的各个单独的单色波的相位关系。
[0080]
在图6中，在视图(a)中示意性地显示了不同地振荡的频率ωi，所述频率同相地在
脉冲的包络线下振荡。根据视图(b)，各个单独频率的最大值被相移。分别显示了光谱相位作为时间t的函数。在φ(ω)＝0的情况下，所有的光谱成分是同相的，因此发生了相长干涉，脉冲在t＝0时形成尖锐的最大值。相反地，线性相位关系φ(ω)＝aω对应于时间偏移，因此在t＝0时没有形成强度最大值(参见图6(b))。
[0081]
方程(9)和(10)清楚地表明，通过折射率的色散对光谱相位具有明显影响并且因此对脉冲的随时间的强度分布图具有明显影响。然而，脉冲可以通过光谱和光谱相位的测量来完全表征。在这种情况下，光谱相位的导数、如群时延(gd)：
[0082][0083]
群时延色散(gdd)：
[0084][0085]
三阶色散(tod)：
[0086][0087]
和类似的量对脉冲动力学具有较大影响并且是能够在测量技术上的被检测的量，以描述激光脉冲与物质的相互作用。在激光脉冲通过物质传播的过程中，色散可以用光谱相位的累加来描述。因此，短脉冲可以通过光谱相位分布图的累加在时间上被啁啾化。相反，啁啾脉冲也可以通过积累负相位贡献而在时间上被压缩。
[0088]
以下示例性地描述将光谱相位φ(ω)用作knn 200的神经元251的可能性。对于人工神经元251，非线性的响应函数是必不可少的。在此，在传统的knn中经常使用sigmoid函数(参见图3)。光学的光信号、例如激光脉冲的光谱相位分布图能够以相同的方式方法调制，以便映射非线性的相位分布图。图7示意性地并且示例性地根据视图(a)显示了形式为德尔塔函数的gd的分布图。通过对gd进行积分，光谱相位以赫维赛德函数的形式运行，这可能对于作为光学神经元251的使用是期望的(参见图8，根据视图(b))。
[0089]
光谱上的光与物质相互作用的效应、如激光脉冲在色散介质中的传播，提供了对入射光波的光谱相位进行非线性调制的可能性，其与通过人工神经元对电流的非线性调制类似。在此，色散材料可以用作光学神经元251，所述光学神经元输出非线性的相位信息。图8说明了色散神经元251的运行方式。入射的光信号具有平坦的相位分布图(参见图8(a))。在与色散元件相互作用期间，脉冲积累光谱相位(参见图8(b))。由此产生的输出光谱与输入光谱相同，但光谱相位具有非线性的分布图(参见图8(c))。
[0090]
图9显示了激光脉冲在传播通过3mm的石英玻璃之前和之后的传播的模拟和接下来与介电的色散层(如啁啾镜)的相互作用。随时间的强度分布图由于光-物质的相互作用而改变(参见图9(a))。然而，gd的光谱分布图具有德尔塔函数的期望的分布图，这相当于光谱相位的赫维赛德形分布图(参见图7)。因此，通过读出光谱相位，这个信息可以用作神经元251。备选地，可以将gd、gdd、tod或者更高阶的色散直接作为神经元使用。在图9(a)中显示了脉冲在时间t上的分布图，在图9(b)中显示了gd在波长λ上的分布图并且在图9(c)中显示了gdd在波长λ上的分布图。
[0091]
图10根据视图(a)和(c)显示了在传播通过3mm的石英玻璃之后的激光脉冲的gd的模拟并且根据视图(b)和(d)显示了在传播通过3mm的石英玻璃之后的激光脉冲gdd的模拟，并且显示了接下来通过色散的介电薄层的反射。作为波长的函数，gd的分布图具有轻微的振荡。这些振荡可以通过优化介电的色散层来减少。插入特殊的介电层使得脉冲积累更多的光谱相位，因此在700nm到1100nm的光谱范围内，gd线性地减少到-150fs。因此，与这些层的相互作用就像减去gd的绝对值那样并且对应于光谱相位的线性变化。因此，可以使用色散元件230进行运算，如加、减、乘和除并且实现了将这些元件230用作knn的权重252。
[0092]
图11示意性地显示了光谱相位的线性调制。其中，光谱滤波器用于降低输入信号的光谱带宽。在滤波之后得到的光谱具有较小的带宽。这种调制相当于减法运算并且影响接下来与色散神经元251的相互作用，从而不触发神经元251的非线性响应并且在输出端处的相位分布图是线性的。在此，图11中的视图(a)显示了与根据视图(b)的光谱滤波器相互作用的输入光谱，其中，改变光谱带宽，但没有改变光谱的相位分布图(参见视图(c))。在与色散元件230相互作用之后(参见视图(d))，光谱相位被线性调制，这相当于加权。视图(e)显示了所产生的光谱或者所产生的相位。
[0093]
图12与图11类似地显示了通过频移实现的光学加权。通过输入光谱的光谱移动和接下来与色散元件230的相互作用，将光谱相位与恒定的系数相乘。
[0094]
为了形成knn 200，各个单独的神经元251的光学信号100必须通过加权252传递给下一层的所有神经元251。光学的光谱组合器284、尤其是相位组合器284形成了用于对神经元251的输出信号进行光谱组合的可能性。例如光栅和/或棱镜序列和/或介电层和/或光学非线性介质和/或偏振光学器件等可以用作这种构件。在此，光谱相位可以相干地或者不相干地组合。图13示意性地说明了两个神经元251的光谱组合。各个单独的光学神经元a
nm
的输出信号通过光学构件进行光谱组合。作为光谱组合器的输出信号，光谱相位的分布图作为两个单独神经元251的频率的函数存在并且可以通过权重252传递给下一个神经元251。因此形成色散光学神经网络(donn)。
[0095]
为了进行分类，可能需要测量光谱相位或者其导数。为此有各种已建立的方法可供使用。
[0096]
例如，两个光学脉冲的干涉信号可以通过光谱干涉法用光谱仪来测量，其中，两个脉冲中的一个被延迟了时间τ，并且脉冲的光谱相位是已知的。两个脉冲在光谱仪上的组合信号可以通过
[0097][0098]
描述。对于振荡的项，相位关系由以下方程给出
[0099]
φ(ω)＝ωτ φ1(ω)-φ2(ω).
ꢀꢀ
(15)
[0100]
用参考脉冲的已知的光谱相位，可以由光谱干涉图重建所述光谱相位，并且因此可以将光谱仪用于光谱相位分析器285。
[0101]
根据另一种可能性，可以将用于表征光谱相位的外差探测器用作光谱相位分析器285。
[0102]
另一种可能性在于使用通过光谱相位分析器285的光谱剪切。在此，将两个延时脉冲与光谱相位分析器285的非线性晶体260中的被啁啾的复制脉冲叠加(参见图14)。由于晶体260中的频率转换使延时脉冲发生光谱剪切。gd可以直接从光谱干涉图中提取：
[0103]
gd＝φ(ω ω)-φ(ω)
ꢀꢀ
(17)
[0104]
其中具有光谱剪切ω，所述光谱剪切与脉冲的时间延迟τ成比例。光谱相位由以下方程给出：
[0105][0106]
在光谱相位分析器285的frog结构中，两个相对彼此延时的脉冲可以在非线性晶体260中叠加。在此新产生的频率由光谱相位分析器285的光谱仪记录。干涉图作为两个基本脉冲的频率和时间延迟的函数得出并且光谱相位可以被重建。
[0107]
完整的donn例如可以通过连接以上描述的元件230中的至少一个来实现。这示例性地在图15中可视化地显示。在此，有利地将色散元件230考虑作为所述至少一个元件230，用于通过光谱相位调制形成光学神经元251。此外，作为用于形成光学权重252的至少一个元件230，可以使用用于提供光谱相位的线性调制的元件230。此外，至少一个元件230可以包括光谱组合器284，所述光谱组合器设计用于，对色散神经元的信号进行相干或者不相干的光谱组合。此外，至少一个元件230可以包括光谱相位分析器285，即用于测量光谱相位分布图的元件230。在图15中进一步显示，由接口270实现电光数据处理，以便将传感器数据103转换为光学信号100。在此，传感器数据103例如可以在光学载体上通过(在图18中所示的)波导283传输到不同层面290的网络组件250上。
[0108]
以下描述用于提供网络组件250的、尤其是光学的元件230的其它实施方式。因此，通过作为元件230的电光调制器、例如马赫泽德调制器(mzm)，可以在脉冲上施加时间相位。这相当于频率空间中的光谱相位。因此，光学权重252可以通过借助mzm的线性调制来合成并且光学神经元251可以通过mzm的非线性调制来合成。
[0109]
此外，可以将所谓的脉冲整形器用作元件230，所述脉冲整形器可以基于lcd或者电子折射率变化施加时间相位。
[0110]
用于提供网络组件250的另一种可能性是将gd用作神经元的响应函数(参见图16，其中，根据视图(a)显示在传播之前和之后的gd，并且根据视图(b)显示在传播之前和之后的gdd，视图(c)显示光谱功率密度)和权重(参见图17，其中，根据视图(a)显示传播之前和之后的随时间的强度分布图，并且根据视图(b)显示传播之前和之后的gd)。
[0111]
也可行的是，将gdd用作神经元251和权重252的非线性函数，或者使用更高阶的色散，如tod等，以用于提供网络组件250。
[0112]
用于提供网络组件250的另一种可能性是将强度较大的低带宽脉冲聚焦到作为元件230的光学非线性介质中。通过自相位调制(spm)，可以增大脉冲的光谱带宽并且将脉冲传导至光学神经元251中。由于带宽的增加，实现对光谱相位的非线性调制。在此，spm例如用作光学权重。相反地，光谱过滤器可以防止神经元被触发。
[0113]
此外，为了提供至少一个网络组件250或者网络200，可以考虑在cmos、bi-cmos、bybridbi-cmos、si-n cmos工艺等中在半导体280上、尤其是电子光子共集成芯片上集成上述组件。在图18中示例性地示出，光学信号100可以通过接口270光学耦合到网络200中。此外，可以设置色散层281，在所述色散层中设置有网络组件250。例如可以将线性频率调制器282用于加权252。此外，相位组合器284可以用于将不同层281的网络组件250相互组合。然后，光谱相位分析器285可以根据网络组件250的输出信号提供输出内容210。
[0114]
以上对实施方式的阐述只在示例的范围内描述了本发明。当然，如果在技术上有用的话，在不离开本发明的范围的情况下，实施方式的各个单独的特征可以自由地相互结合。
[0115]
附图标记清单
[0116]
1交通工具
[0117]
2环境
[0118]
100光学信号
[0119]
101输入信号
[0120]
102输出信号
[0121]
103传感器数据
[0122]
200人工神经网络，knn
[0123]
210输出内容
[0124]
230元件
[0125]
250网络组件
[0126]
251神经元
[0127]
252权重，加权
[0128]
260结晶
[0129]
270接口
[0130]
280半导体
[0131]
281色散层
[0132]
282线性频率调制器
[0133]
283波导
[0134]
284光谱组合器，相位组合器，栅格
[0135]
285光谱相位分析器
[0136]
290层面
[0137]
301第一方法步骤
[0138]
302第二方法步骤