[发明专利]一种用于权连接光神经网络的随机光栅设计方法

说明书

本发明针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发。该方法的目标光源为10.6μm二氧化碳激光器，单神经元尺寸为5μm X 5μm，采用红外碲镉汞光伏探测器，单芯片尺寸降至1cmX1cm(数据区为：1mmX1mm)。

技术领域

本发明属于深度学习和微纳光学交叉领域，特别涉及一种用于权连接光神经网络的随机光栅设计方法。

背景技术

人工智能技术是当前学术界和产业界的研究热点，作为人工智能的核心算法及技术，深度学习神经网络(DLNN，deep learning neural network)及专用集成电路芯片(ASIC，application specific integrated circuit)是制约人工智能技术飞速发展的关键因素之一。传统的深度学习及芯片，利用计算机的CPU、GPU或FPGA等实现多层人工神经网络，对数据进行提取和学习，已经广泛应用于医学图像分析，语音识别、翻译，图像分类等诸多方面。但是随着摩尔定律(Moore’s law)的发展放缓，传统的基于COMS工艺的用于深度学习的ASIC芯片在其电子架构、功耗、处理速度等方面的局限越来越明显。

长期以来，光互连技术一直被认为是人工神经网络结构的潜在媒介。相对于基于电子互联的传统ASIC芯片，基于光互联的光神经网络芯片因其具有类似神经元的并行处理及通信性能以及高速、低功耗、抗串扰能力强等优点而吸引了越来越多的研究者的目光。2017年，麻省理工学院的David Chandler等人利用阵列光波导结构设计实现了一款用于深度学习的可编程光子处理器，对四个基本元音的识别准确率达到了77％；2018年，加利福尼亚大学的Lin Xing等人用3D打印技术设计实现了基于衍射效应的全光互连神经网络(单神经元尺寸300μm或400μm，工作波长为0.4THz)，对10000个手写数字的识别准确率达到了90％以上。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种用于权连接光神经网络的随机光栅设计方法，本发明针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发，增加装置的适用性。

为解决上述技术问题，本发明采用的技术方案是：一种用于权连接光神经网络的随机光栅设计方法，所述方法包括以下步骤：步骤a、制备衍射光栅；步骤a1、计算衍射光栅的相位梯度；步骤a2、掩膜设计：采用半导体锗材料作为基底，对所述基底进行两次次刻蚀形成掩膜版；步骤a3、利用CMOS工艺制备衍射光栅；步骤b、通过制备的所述衍射光栅进入全连接光神经网络进行识别。

优选的，所述衍射光栅的相位梯度由下列公式计算：

其中，式(1)表示为光学模式；式(2)表示为输出函数公式。

优选的，利用CMOS工艺制备衍射光栅包括以下步骤：步骤①、对锗片上表面进行涂胶；步骤②、将所述掩膜版放置在涂胶后的所述锗片上方进行曝光；对曝光后的所述锗片依次经过显影和ICP刻蚀；步骤③、经过刻蚀后的所述锗片进行去胶，形成衍射光栅。

优选地，所述基底折射率为4.003；单片神经元数目为200X200，单神经元尺寸5μmX 5μm。

优选的，采用python(3.6.0)和google公司的TensorFlow框架(1.1.0)计算所述衍射光栅的相位梯度。

与现有技术相比，本发明的有益效果在于：

本发明针对基于瑞利索末菲衍射效应的全光互连神经网络特征尺寸大，不易小型化和集成化等缺陷，提出了一种基于CMOS工艺的随机衍射光栅的设计及实现方法，用于深度学习光子芯片的设计开发。