[发明专利]一种用于光电混合计算神经网络的FPGA实现方法

说明书

本发明属于神经网络和FPGA技术领域，具体涉及一种用于光电混合计算神经网络的FPGA实现方法。本发明利用光电混合计算所实现的神经网络为手写图像识别网络，输入图像大小28＊28，图像内容为0～9的手写数字，包含一层卷积层、一层池化层和两层全连接层，光计算在运算速度中更胜一筹，但由于光学计算缺少非线性计算能力，因此只能实现卷积层的计算，无法独立进行神经网络的计算，因此池化和全连接层由FPGA实现，本发明旨在实现配合光芯片进行神经网络计算的FPGA部分，用于解决使用光芯片参与完整神经网络计算的问题。

技术领域

本发明属于神经网络和FPGA技术领域，具体涉及一种用于光电混合计算神经网络的FPGA实现方法。

背景技术

神经网络是具有互连节点的计算系统，其工作原理与人脑中的神经元非常相似。通过一些算法，神经网络可以识别原始数据中的隐藏模式和相关性，对其进行聚类和分类，并随着时间的推移不断学习和改进。神经网络可以学习和建模非线性和复杂的输入和输出之间的关系，进行概括和推论，揭示隐藏的关系、模式并预测，并建模高度易变的数据和预测罕见事件所需的方差，因此神经网络可以帮助人们解决现实生活中的复杂问题，包括计算机视觉、语音识别、机器翻译、社交网络过滤、棋盘游戏、视频游戏以及医疗诊断等等。

随着结构化和非结构化数据规模增加到大数据水平，人们开发了深度学习系统，该系统实质上是具有许多层的神经网络，深度学习可以捕获和挖掘更多，更大的数据，包括非结构化数据。现在深度神经网络的规模从数千个权重增加到数百万个甚至数十亿个，具有数百万甚至数十亿权重的人工神经网络提供的神经元和突触与接近小型动物的计算复杂性相当。但传统的计算硬件限制了神经网络的计算速度，目前常用的方式是使用大型矩阵乘法的GPU加速，然而使用大型GPU集群训练大型神经网络仍需花费数周时间，需要采用更有突破性的手段改善计算硬件。

为了以改进计算的速度和准确性，人们对开发调整电子体系结构内的人工神经网络已经进行了较为全面的研究，但是在过去的半个世纪中，集成电路的发展一直受到摩尔定律的限制。而且以电子方式实现神经网络有一些固有的缺陷，比如电子信号容易相互干扰，这给需要高密度连接的神经网络带来了一定的困难；能量需求太高，导致大量的计算成本；由于现有神经网络是基于数字计算机，根据时钟进行连续计算的，其中大多数不能被制成实时处理的系统。因此，有必要开发用于实时处理的小型化的光学神经网络。

光学神经网络具有大量相互连接的线性层，光学互连高度平行，光束可以在空间中交叉而没有串扰，而且光的传播速度非常高，因此时间延迟和色散可以忽略不计。利用波分复用技术，光子神经网络能实现可扩展的电路体系结构，这样的光子神经突触网络利用了光学系统固有的高速和高带宽，从而能够直接处理光通信和可视数据。总的来说光学的神经网络架构原则上比常规的电子架构具有更低的干扰与能耗和更高的集成度、计算速度与功率效率。

然而纯粹的光学体系也有自己的问题，过去的光计算缺少非线性计算能力、存储模块和互连单元，因此很难在切实的实践中发挥作用，纯光学计算的各种应用往往止步于理论阶段。为了发挥光学系统的明显优势，同时确保计算体系的实用性和泛用性，光电混合计算被提出并发展。用电学系统的逻辑计算和存储能力去弥补光学系统的缺陷，构建更灵活更高效的计算架构。

现场可编程门阵列(FPGA)是基于通过可编程互连连接的可配置逻辑模块(CLB)矩阵的半导体器件，可以在制造后根据所需的应用或功能要求进行重新编。现如今大部多数常用的FPGA包括片上处理器、高速I/O接口、RAM模块、DSP引擎等，其功能可在器件每次上电时发生变化，需要更改功能时只需将新的配置文件下载到设备中即可，因此FPGA功能性多样且具有很好的灵活性，适合与光学体系结合进行计算。

发明内容