[发明专利]采用金字塔架构衍射层补光的衍射神经网络及实现方法

说明书

本发明公开一种采用金字塔架构衍射层补光的衍射神经网络及实现方法，其中衍射神经网络，将网络中的衍射层划分为两组，分别为补光区衍射层与衍射区衍射层；通过改变补光区衍射层的大小，令其呈现金字塔架构，使一部分输入光线能绕过数个补光区衍射层；衍射区则在补光区与探测层之间，衍射区衍射层均为标准大小。本发明方法首先设计衍射神经网络的基本方案，确认其网络性能与层数的关系，然后根据任务需求与网络特性设计补光方案。本发明通过提高亮度搭建更多层数网络，提升网络性能的构想，增加衍射层材料与探测器的选择空间，增强网络在实际应用中的环境适应性与调节空间；没有额外光源与器件的引入，体积小，耗能小，便于安装和应用。

技术领域

本发明涉及一种采用金字塔架构衍射层补光的衍射神经网络及实现方法，通过调整光学衍射层结构提高探测层接收亮度，从而提高网络深度，属于深度学习与物理光学结合的领域，主要涉及光的衍射和神经网络的物理实现。在各类基于光学衍射器件的神经网络应用系统与方案中有广阔的应用前景。

背景技术

传统计算机基于冯诺伊曼方案设计，由晶体管组成的逻辑单元搭建而成。集成电路在过去的几十年中遵循摩尔定律的发展速度，正逐步面临着技术上的瓶颈。光子不产生热量，也不会受电磁感应和电容效应的影响而导致信号退化，在光信号传输等任务中具有时间带宽面积大，高互联能力和固有并行处理特性，能极大提升神经网络的性能，光学神经网络也应运而生。当今有关光学神经网络的研究，由侧重点与实现方法不同，可分为三大类，光电器件搭建，尤其是以光电调制器为核心的网络、可编程光学芯片为载体的网络、与面向任务定制器件的网络。将多层BP网络同光学衍射现象结合起来构造神经网络的方法(参见文献：林星等，使用衍射神经网络的全光学机器学习，科学,2018:eaat8084-.(XingL,Yair R,Yardimci N T,et al.All-optical machine learning using diffractivedeep neural networks[J].Science, 2018:eaat8084-.))，以相干光为输入光线；将待处理的任务目标放置在输入层，光线经过输入层衍射后传入训练好的衍射层组，衍射层上的每一点都代表一个神经元，神经元参数由幅度调制系数与相位调制系数构成，最后由探测层上的探测器获得网络结果；选择随机梯度下降法进行训练，以MSE作为损失函数。其过程可总结为一个三步框架：完全在计算机上训练；依据训练好的参数制造衍射层元件；搭建元件进行应用。通过添加非线性层与双透镜组成的4-f系统，衍射神经网络性能可得到进一步提升(参考文献：陶燕等，傅里叶空间衍射神经网络，物理评论快报，2019,123(2).(YanTao,Wu Jiamin,Zhou Tiankuang,Xie Hao,Xu Feng,Fan Jingtao,Fang Lu,Lin Xing,DaiQionghai.Fourier-space Diffractive Deep Neural Network.[J]. Physical reviewletters,2019,123(2).))。4-f系统能够将输入信号转换至频域，从而实现显著性检测等基本网络无法解决的问题。

衍射层对光信号能量的损耗不可避免，如3D打印材料对0.4THz微波的损耗率可达0.51。这导致在实物模型搭建时多使用两种思路：1.选取微波作为输入信号。此种方法存在环境适应性问题。不论何种光学神经网络，当以图像处理为目的时，最终的期望一定是直接处理镜头输入的可见光信息，而无需经历将电脑中的图像转化为信号再输入神经网络这一步骤，因而，选择可见光作为输入信号是大势所趋。2.在选取可见光作为输入的同时减小网络的层数，仅通过一层神经网络进行一定程度的预处理，最后再与传统计算机合作搭建光电联合神经网络实现问题。以光学损耗为接入点，本发明提出一种针对衍射神经网络的补光方案。

衍射层造成的能量损耗是衍射神经网络的一个重要问题，限制光学衍射神经网络的可实现层数。在很多问题的处理中，神经网络层数的增加都能提升神经网络的性能。

发明内容