[发明专利]高效率光学神经网络

说明书

本公开涉及高效率光学神经网络。本公开描述了用于具有光学矩阵乘法器和光学非线性函数的层的光学神经网络(ONN)的技术和配置。这些技术提供了可编程的矩阵乘法器，允许了根据需要对矩阵的一部分进行划分使用，实现了计算效率。这些技术允许多遍通过同一光子集成电路(PIC)芯片上的同一光学矩阵管芯，以及连接ONN的多层并且依次通过它们。这些技术还提供了将ONN缩放到不同的大小。可描述和要求保护额外的实施例。

技术领域

本公开的实施例概括而言涉及光电子和光学神经网络处理器的领域，更具体而言涉及用于光学神经网络的矩阵乘法器的技术和配置。

背景技术

机器学习体系结构通常基于人工神经网络(artificial neural network， ANN)。光学神经网络(optical neural network，ONN)是使用光学组件作为构建块的ANN的物理实现。光学神经网络的基本构建块通常包括相互连接的马赫-曾德尔干涉仪(Mach-Zehnderinterferometer，MZI)，其对光学信号的阵列执行幺正变换(unitary transformation)。ONN已被提出来用于矩阵乘法中，因为其能够控制利用光学器件的高速、低能量数据路由能力。然而，对可重配置体系结构中的神经元的数目进行扩展对于ONN来说仍然是一个挑战。

发明内容

根据本公开的一方面，提供一种用于光学神经网络ONN的装置，该装置包括ONN的至少一层，所述至少一层包括：在半导体衬底中提供的光学矩阵乘法器，用以将多个光学信号输入线性地变换为多个光学信号输出，其中光学矩阵乘法器包括一个或多个2×2幺正光学矩阵，2×2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及与半导体衬底中的光学矩阵乘法器耦合的非线性光学器件，用以提供光学输出，该光学输出是响应于光学矩阵乘法器的光学信号输出达到饱和而以非线性方式生成的，其中所述至少一层是可编程的，从而使得所述层的一部分将至少部分地基于与由ONN进行的计算相对应的每功率消耗单位每时间单位的运算的目标值而被用于所述计算中。

根据本公开的另一方面，提供一种光学神经网络ONN集成电路IC，包括：光源的阵列，用以生成多个光学信号输入；与光源耦合的光学矩阵乘法器，用以将多个光学信号输入线性地变换为多个光学信号输出，其中光学矩阵乘法器包括一个或多个2×2幺正光学矩阵，2×2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及非线性光学器件，其与光学矩阵乘法器耦合，用以提供光学输出，该光学输出是响应于光学矩阵乘法器的光学信号输出达到饱和而以非线性方式生成的，其中光学矩阵乘法器的至少一部分将至少部分地基于与计算相对应的每功率消耗单位每时间单位的运算的目标值而被用于所述计算中。

根据本公开的又一方面，提供一种用于结合光学神经网络ONN使用的计算设备，包括：处理器；以及光学神经网络ONN装置，该ONN装置与处理器耦合，用以从处理器接收数据，其中该ONN装置包括：与光源耦合的光学矩阵乘法器，用以将用数据调制的多个光学信号输入线性地变换为多个光学信号输出，其中光学矩阵乘法器包括一个或多个2×2幺正光学矩阵，2×2幺正光学矩阵在光学上互连以实现矩阵的奇异值分解SVD；以及非线性光学器件，该非线性光学器件与光学矩阵乘法器耦合，用以提供光学输出，该光学输出是响应于光学幺正矩阵乘法器的光学信号输出达到饱和而以非线性方式生成的，其中光学矩阵乘法器的至少一部分将至少部分地基于与计算相对应的每功率消耗单位每时间单位的运算的目标值而被用于所述计算中。

附图说明

通过接下来的详细描述结合附图将容易理解实施例。为了帮助此描述，相似的附图标记指定相似的结构元素。在附图中以示例方式而非限制方式图示了实施例。

图1根据各种实施例示出了ONN的示例，其包括线性光学相干矩阵乘法器和非线性光学器件的层。

图2根据各种实施例示出了在参考图1描述的ONN的每一层使用的示例非线性光学器件。

图3根据各种实施例图示了使用带有移相器的光学耦合器的示例矩阵乘法器实现方式。