[发明专利]用于光学神经网络的设备和方法

说明书

本发明涉及用于光学神经网络的设备和方法。本发明提供了一种光学神经网络，所述光学神经网络基于光子集成电路构造以执行神经形态计算。在光学神经网络中，使用一个或多个光学干涉单元实现矩阵乘法，光学干涉单元可以将任意加权矩阵乘法施加到输入光学信号的阵列。通过光学非线性单元实现非线性激励，光学非线性单元可以基于非线性光学效应，例如可饱和吸收。这些计算是用光学方式实现的，从而在光学神经网络中产生高计算速度，低功耗。

本申请是申请日为2017年6月2日、申请号为201780043808.X，发明名称为“用于光学神经网络的设备和方法”发明专利申请的分案申请。

相关申请交叉引用

本申请要求2016年6月2日提交的、名称为“METHODS AND DESIGN OF OPTICALNEURAL NETWORK(光学神经网络的方法和设计)”的美国申请号62,344,621的优先权，该申请通过引用被全文并入本文中。

政府支持

本发明根据由陆军研究办公室授权的合同号W911NF-13-D-0001在政府支持下完成。政府对本发明拥有某些权利。

背景技术

对于大范围的任务，例如感知、通信、学习和决策制定，基于冯·诺依曼架构的现有计算机相比其生物对等物-中心神经系统通常更耗电且不太有效。随着与大数据处理关联的数据量的不断增大，开发能够快速和高效地学习、组合并分析大量信息的计算机是有益的。例如，语音识别软件(例如苹果公司的Siri)通常是在云端执行的，原因是所涉及的运算对于移动电话中的硬件通常太有挑战。

解决冯·诺依曼计算架构的缺点的一种方法是开发人工神经网络(ANNW)。ANNW通常模拟大脑中的信号处理架构，近来已经受到广泛关注。ANNW能够大大地改善语音识别、可视对象识别、对象探测和许多其它领域，例如药物发现和基因组学。传统的人工神经网络通常使用电子架构，例如专用集成电路(ASIC)和现场可编程门阵列(FPGA)。然而，用这些硬件架构实现的运算速度和电源效率仍受电子时钟速率和欧姆损耗的限制。

发明内容

本技术的实施例大体上涉及人工神经网络。在一个示例中，用于实现人工神经网络的设备包括输入波导阵列，所述输入波导阵列接收第一阵列的光学信号。光学干涉单元与所述输入波导阵列光学通信，以执行所述第一阵列的光学信号到第二阵列的光学信号的线性变换。所述设备还包括光学非线性单元，所述光学非线性单元与所述光学干涉单元光学通信，以对所述第二阵列的光学信号执行非线性变换，以便生成第三阵列的光学信号。探测器阵列与所述光学非线性单元光学通信以探测所述第三阵列的光学信号。

在另一示例中，用于人工神经网络计算的方法包括用输入波导阵列接收第一阵列的光学信号。所述方法还包括使用与所述输入波导阵列光学通信的光学干涉单元干涉所述第一阵列的光学信号，以将所述第一阵列的光学信号线性地变换成第二阵列的光学信号。所述方法还包括使用与所述光学干涉单元光学通信的光学非线性单元非线性地变换所述第二阵列的光学信号，以便生成第三阵列的光学信号。所述方法还包括探测所述第三阵列的光学信号。

在又一示例中，光学神经网络包括输入波导阵列，所述输入波导阵列接收第一阵列的光学信号。所述网络还包括多个互连马赫-曾德干涉仪(MZI)，所述多个互连马赫-曾德干涉仪与所述输入波导阵列光学通信，以通过在所述第一阵列的光学信号中的干涉将所述第一阵列的光学信号线性地变换成第二阵列的光学信号。所述多个MZI中的每个MZI包括第一移相器，所述第一移相器被配置成改变所述MZI的分光比；以及第二移相器，所述第二移相器被配置成移动所述MZI的一个输出的相位。所述网络还包括可饱和吸收体阵列，所述可饱和吸收体阵列与所述多个互连MZI光学通信，以将所述第二阵列的光学信号非线性地变换成第三阵列的光学信号。所述可饱和吸收体阵列中的每个可饱和吸收体接收所述第二阵列的光学信号中的对应的光学信号。所述网络还包括探测器阵列，所述探测器阵列与所述光学非线性单元光学通信，以探测所述第三阵列的光学信号。