[发明专利]多级空频域调制非线性全光学深度学习系统及方法

说明书

本发明公开了一种多级空频域调制非线性全光学深度学习系统及方法，其中，该系统包括：光学输入模块、多级空频域调制模块和信息采集模块；光学输入模块，用于将输入信号转化为光学信息；多级空频域调制模块，由多个频域调制模块和多个空域调制模块交替级联构成，用于对光学输入模块产生的光学信息进行多级空频域调制；信息采集模块，由透镜和传感器组成，用于接收多级空频域调制模块的输出信号，利用透镜将输出信号变换到傅里叶面或像面并通过传感器进行采集，生成信息处理结果。该系统提升全光学深度学习的性能，使得全光学深度学习模型更好地完成更加复杂的机器学习任务，尤其是能够完成复杂的非线性计算任务。

技术领域

本发明涉及光电计算和机器学习技术领域，特别涉及一种多级空频域调制非线性全光学深度学习系统及方法。

背景技术

深度学习是增长最快的机器学习方法之一。该方法使用在计算机中实现的多层人工神经网络，以数字方式学习数据中的信息，并且能够以和人类相当甚至更优的性能执行高级任务。最近，深度学习已经在机器学习领域取得重大进展的例子包括医学图像分析、语音识别、图像分类等等。

目前，有一种全光学衍射深度神经网络，使用无源光学元件进行全光学机器学习。该架构可以通过深度学习设计类似于人工神经网络的衍射光学元件的堆叠层，可以通过3D打印进行图案化和制造，实现了手写数字、时尚产品图像分类等功能。该架构可以以光速执行基于神经网络的一些功能，创建了一种有效、快速的实现机器学习任务的方式。

在全光学人工神经网络中完成机器学习任务是很有前景的，因为它在并行计算能力和功率、效率方面有明显优势。全光学衍射深度神经网络提供了一种以光速使用无源元件实现衍射操作，有效的、独特的全光学机器学习模型，它的一个重要优势是能够通过使用各种高吞吐量、大面积的3D制造方法和宽视场的光学元件、检测系统来轻松扩展，能够经济高效地以可扩展、低功耗的方式实现数以亿计的神经元和数以十亿计的连接，而且具有实现各种复杂应用的潜力。但是上述全光学衍射深度神经网络仅通过衍射层的堆叠在空域内进行调制以执行特定功能，能够完成的任务复杂程度、表现出的性能都比较有限。尤其在对非线性要求较高的任务中，表现出较大的局限性。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种多级空频域调制非线性全光学深度学习系统，该系统提升全光学深度学习的性能，使得全光学深度学习模型更好地完成更加复杂的机器学习任务，能够完成复杂的非线性计算任务。

本发明的另一个目的在于提出一种多级空频域调制非线性全光学深度学习方法。

为达到上述目的，本发明一方面实施例提出了一种多级空频域调制非线性全光学深度学习系统，包括：

光学输入模块、多级空频域调制模块和信息采集模块；

所述光学输入模块，用于将输入信号转化为光学信息；

所述多级空频域调制模块，由多个频域调制模块和多个空域调制模块交替级联构成，用于对所述光学输入模块产生的光学信息进行多级空频域调制；

所述信息采集模块，由透镜和传感器组成，用于接收所述多级空频域调制模块的输出信号，利用透镜将所述输出信号变换到傅里叶面或像面并通过所述传感器进行采集，生成信息处理结果。

本发明实施例的多级空频域调制非线性全光学深度学习系统，通过以光速使用光学元件，执行基于神经网络的一些功能，创建了一种有效、快速的实现机器学习任务的方式；能够通过使用各种高吞吐量、大面积的3D制造方法和宽视场的光学元件、检测系统来轻松扩展；能够经济高效地以可扩展、低功耗的方式实现大规模神经网络，具有实现各种复杂应用的潜力。

另外，根据本发明上述实施例的多级空频域调制非线性全光学深度学习系统还可以具有以下附加的技术特征：