[发明专利]一种基于光学片上超表面的光子衍射神经元及其实现方法

说明书

本发明公开了一种基于光学片上超表面的光子衍射神经元及其实现方法。本发明在介质基板上紧贴靠近输入波导的位置设置多个优化区域，在优化区域内形成各个散射元，采用优化器以梯度下降的优化方式对神经元构成的神经网络在计算机上进行训练，采用拓扑优化的密度惩罚算法对优化区域内的材料的折射率分布进行计算，通过反向设计方法得到优化区域内的散射元的位置和形状，从而在介质基板上的优化区域内形成散射元构成光学片上超表面结构；本发明通过将片上波导与光学片上超表面结构相结合，实现了高度集成的多输入多输出新型光子衍射神经元结构，解决了光学神经网络中参数密度低的问题，扩展了光学神经网络的功能，为大规模光学神经网络提供了可能。

技术领域

本发明涉及光学神经网络领域，具体涉及一种基于光学片上超表面的光子衍射神经元及其实现方法。

背景技术

在大部分基于片上集成波导的光学神经网络设计中的主要结构单元为波导合束分束单元及马赫曾德尔干涉仪Mach-Zehnder interferometers(MZI)单元，其输入局限于两个输入通道,输出局限于一个或两个输出通道。这样的单元结构设计难以满足神经网络的计算需求，例如，在有多个输入通道的全连接神经网络中，每个输出神经元都需要与所有输入通道相连。即使对于连接较为稀疏的卷积神经网络而言，大小为3×3的卷积核也至少需要将9个输入通道与一个输出通道直接相连。这些设计都无法通过单个MZI结构实现，需要使用多个级联的MZI复合结构。然而使用多个级联的MZI实现单一神经元功能不仅会导致器件尺寸上的浪费，还会由于MZI中不可避免的能量损耗造成输出强度低，计算精度下降。

另一方面，衡量神经网络性能的一个标志性指标为网络参数数量。一般来说，对于相同的结构框架设计，宽度大、层数多等具有更多网络参数的神经网络通常性能更好。但是对于以MZI作为结构单元的神经网络而言，由于每一个MZI结构都需要对应的热光调制器和配套的电极结构，包含成百上千参数量的神经网络在制造工艺方面会面临困难，难以与计算机中参数量为百万量级的主流模型相比拟。在基于集成波导的光学平台上难以实现实用规模的神经网络计算的主要原因在于级联的MZI规模较大，且包含了额外的调制结构，造成整体集成度低，无法在有限的器件面积中实现足够规模的神经网络计算。因此，对目前需要进一步拓展功能的片上集成光学神经网络来说，提高神经元的集成度是一个亟待解决的问题。

发明内容

为了提高神经元的集成度，解决片上集成光学神经网络中参数密度低的问题，本发明提出了一种基于光学片上超表面的光子衍射神经元及其实现方法，以实现高集成度多输入、多输出的全光片上集成光子衍射神经元。

类比于计算机神经网络，网络中前几个卷积层用于提取低层次特征，普适性较强，因此在迁移学习等任务中，均为直接使用预训练的权重，而仅需对于网络最后几层的权重进行微调训练；因此，针对在多数情况下，用于硬件实现的光学神经网络没有进行完全的片上训练的需求，从而在网络中的光学结构里都引入支持实时调节权重的光调制器是超出必要的。使用固定权重并去掉复杂的调制器件能够有效提高神经元的集成度；而相比于固定的MZI结构，使用自由度更高的光学片上超表面单元能够更加有效的利用器件面积，提高光学连接密度。

本发明的一个目的在于提出一种基于光学片上超表面的光子衍射神经元。

本发明的基于光学片上超表面的光子衍射神经元包括：介质基板、输入波导、输出波导、优化区域和散射元；其中，介质基板为平板状，采用在设定波长下对光的传输没有损耗的材料；介质基板的一侧为入射端，另一侧为出射端，入射端一侧的形状为圆弧形；输入波导连接至介质基板的输入端，介质基板的出射端连接至输出波导；输入波导包括N个输入通道，输出波导包括M个输出通道；对应每一个输入通道，在介质基板上紧贴靠近输入波导的位置设置多个优化区域，所有的优化区域围绕入射端的圆弧放置；每一个优化区域为矩形，优化区域的宽度与输入波导末端尺寸一致，长度为宽度的0.8～1倍；在优化区域内形成各个散射元，散射元采用折射率与介质基板不同的材料，通过反向设计方法得到优化区域内的散射元的位置和形状，从而在介质基板上的优化区域内形成散射元构成光学片上超表面结构，M和N均为≥2的自然数；