[发明专利]一种基于自旋垂直腔面发射激光器的深度储备池计算系统及方法

说明书

本发明公开了一种基于自旋垂直腔面发射激光器的深度储备池计算系统及方法，包括：输入层，其包括驱动激光器和n个连接所述驱动激光器的调制器，用于把输入信号注入到深度储备池层；深度储备池层，连接所述调制器，用于产生更加丰富的非线性动态响应，其包括k个储备池层，每个储备池层包括n个储备池单元，所述储备池单元包括自旋垂直腔面发射激光器和反馈回路；输出层，其包括光电探测器、加法器a、加法器b和可编程门控阵列，以获取储备池层的响应状态。本发明通过改变储备池的层数和每一层的储备池单元的个数来丰富储层状态和增强存储容量，从而实现复杂任务的处理。

技术领域

本发明涉及储备池计算技术领域，具体涉及一种基于自旋垂直腔面发射激光器的深度储备池计算系统及方法。

背景技术

近年来，人工神经网络在目标检测、语言处理、自动驾驶、安全等领域得到了迅速的发展，并发挥了重要作用。人工神经网络是一种模拟大脑处理信息的数学模型，有大量的节点和他们之间的相互连接构成，其强大的信息处理能力使其成为仿生学中的一个成功典范。一般来说，神经网络可以分为两类。一种是前馈神经网络。在这类模型中，神经元被分为几层，且信号只向前传播。其中最典型的一类是卷积神经网络模型，被广泛的使用去处理静态图像的识别。然而，前馈神经网络具有并不适合处理时间相关的任务。另一类是递归神经网络模型。由于递归神经网络的神经元之间具有递归连接，因此具有一定的记忆能力，适合处理时间相关的任务。然而，由于递归结构中的梯度爆炸或消失的问题，递归神经网络的训练对算法具有较高的要求，也对硬件的实施提出了更高的要求。

针对这一问题，储备池计算模型被提出。储备池计算是一种通用的、硬件兼容的神经形态计算方案，具有简单的训练算法。在训练储备池系统时，只需要训练输出层的权值，输入层和储备池层的权重随机生成且固定不变，极大降低了对算法的需求。近年来储备池计算在语音识别到手写数字识别等方面取得了巨大的成功。特别是通过实现输入层和接收层之间的非线性映射，储备池计算系统已经被证明是一种成功的无模型预测的替代方案。在储备池计算系统中，储备池层的几个关键特征对系统的性能有很大的影响，其中储层状态的丰富性是最重要的参数。现有储备池利用了非线性器件的固有差异来实现不同的储备池状态。然而，当组成储备池的器件制备完成后系统状态的丰富度就被固定了，难以实现进一步的调整和优化，限制了储备池性能的进一步提升。

发明内容

本发明的目的是提供一种基于自旋垂直腔面发射激光器的深度储备池计算系统及方法，丰富储备池状态和增强其存储容量，从而实现复杂任务的处理。

为了解决上述技术问题，本发明提供了一种基于自旋垂直腔面发射激光器的深度储备池计算系统，包括：

输入层，其包括驱动激光器和n个连接所述驱动激光器的调制器，每个所述调制器对应连接有一波形发生器，所述波形发生器用于产生掩码信号，所述调制器根据掩码信号对驱动激光器的输入信号进行调制；

深度储备池层，连接所述调制器，其包括k个储备池层，每个储备池层包括n个储备池单元，所述储备池单元包括自旋垂直腔面发射激光器和反馈回路，

所述自旋垂直腔面发射激光器其连接有泵浦源，所述泵浦源与自旋偏振垂直腔面发射激光器之间连接有偏振控制器，所述偏振控制器用于调节泵浦源的泵浦光的偏振椭圆率，从而调节自旋垂直腔面发射激光器输出信号的偏振态；

所述反馈回路包括光耦合器，其用于将自旋垂直腔面发射激光器的输出信号经过所述光耦合器反馈输入到自旋垂直腔面发射激光器；

输出层，其包括光电探测器、加法器a、加法器b和可编程门控阵列，每个所述光耦合器均连接一所述光电探测器，同一储备池层连接的光电探测器连接一所述加法器a，各储备池层对应的所述加法器a连接下一层储备池层并连接到所述加法器b，所述加法器b连接所述可编程门控阵列。

作为本发明的进一步改进，所述波形发生器产生的掩码信号与驱动激光器的输入信号相乘，产生深度储备池层的注入光信号，其中，每个波形发生器产生的掩码信号序列排布不相同。