[发明专利]一种光学神经网络最大池化的方法、系统、设备及介质

说明书

本发明公开了一种光学神经网络最大池化的方法、系统、设备和存储介质，方法包括：根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。本发明通过利用Add‑Drop型的MRR实现最大池化，为全光人工智能计算提供关键模块的光学解决方案，具有高速低功耗的优势。

技术领域

本发明涉及光学神经网络领域，更具体地，特别是指一种光学神经网络最大池化的方法、系统、计算机设备及可读介质。

背景技术

随着科技的发展，现今社会已进入云+AI+5G的时代，而为了实现云+AI+5G的运算需求，需要支持大运算量的专用芯片。半导体光刻工艺水平的发展是以芯片为核心的电子计算机的基石，目前半导体光刻的制造工艺几乎是摩尔定律的物理极限，随着制造工艺的越来越小，芯片内晶体管单元已经接近分子尺度，半导体制作工艺的“瓶颈效应”越来越明显。

随着全球化以及科技的高速发展，需要处理的数据量在急剧增加，相应的数据处理模型和算法也在不断增加，带来的结果就是对算力和功耗的要求不断提高。而目前冯·诺依曼架构和哈佛架构的电子计算机存在传输瓶颈、功耗增加以及算力瓶颈等问题，已越来越难以满足大数据时代对算力与功耗的需求，因此提高运算速度同时降低运算功耗是目前面临的紧要问题。

光计算相比于电计算具有很多优势，例如：光信号以光速传输，使速度得到巨大提升；光具有天然的并行处理能力以及成熟的波分复用技术，从而使数据处理能力和容量及带宽大幅度提升；光计算功耗有望低至10～18J/bit，相同功耗下，光子器件比电子器件快数百倍。光子计算芯片以光子为信息的载体具有高速并行、低功耗的优势，因此被认为是未来高速、大数据量、人工智能计算处理的最具有前景的方案。但目前未见有利用光信号解决最大池化的方法。

发明内容

有鉴于此，本发明实施例的目的在于提出一种光学神经网络最大池化的方法、系统、计算机设备及计算机可读存储介质，本发明以MRR的光强传递函数为实现光学神经网络的基础，通过电流改变MRR有效折射率进而改变MRR传递函数，实现适用于光学神经网络中最大池化的模拟解决方案，利用Add-Drop型的MRR实现最大池化，为全光人工智能计算提供关键模块的光学解决方案，具有高速低功耗的优势。

基于上述目的，本发明实施例的一方面提供了一种光学神经网络最大池化的方法，包括如下步骤：根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。

在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。

在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。

在一些实施方式中，所述根据每个输入光的波长调整所述上传/下载型微环的半径包括：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。