一种光学神经网络最大池化的方法、系统、设备及介质
阅读说明：本技术 一种光学神经网络最大池化的方法、系统、设备及介质 (Method, system, equipment and medium for maximizing pooling of optical neural network ) 是由 陈静静 于 2021-07-16 设计创作，主要内容包括：本发明公开了一种光学神经网络最大池化的方法、系统、设备和存储介质,方法包括：根据池化尺寸确定上传/下载型微环的数量,并根据每个输入光的波长调整所述上传/下载型微环的半径；分别给每个上传/下载型微环的Input端输入对应的输入光,并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及确定所述输出电流中最大的输出电流,并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。本发明通过利用Add-Drop型的MRR实现最大池化,为全光人工智能计算提供关键模块的光学解决方案,具有高速低功耗的优势。(The invention discloses a method, a system, equipment and a storage medium for maximizing pooling of an optical neural network, wherein the method comprises the following steps: determining the number of the uploading/downloading micro-rings according to the pooling size, and adjusting the radius of the uploading/downloading micro-rings according to the wavelength of each input light; inputting corresponding Input light to an Input end of each uploading/downloading micro-ring respectively, and inputting an optical signal output by the uploading/downloading micro-ring into a photodiode to obtain corresponding output current; and determining the maximum output current in the output currents, and adjusting the phase of the upload/download micro-ring corresponding to the maximum output current to realize the maximum pooling. The invention realizes the maximum pooling by using the Add-Drop MRR, provides an optical solution of a key module for all-optical artificial intelligence calculation, and has the advantages of high speed and low power consumption.)
技术领域
本发明涉及光学神经网络领域，更具体地，特别是指一种光学神经网络最大池化的方法、系统、计算机设备及可读介质。
背景技术
随着科技的发展，现今社会已进入云+AI+5G的时代，而为了实现云+AI+5G的运算需求，需要支持大运算量的专用芯片。半导体光刻工艺水平的发展是以芯片为核心的电子计算机的基石，目前半导体光刻的制造工艺几乎是摩尔定律的物理极限，随着制造工艺的越来越小，芯片内晶体管单元已经接近分子尺度，半导体制作工艺的“瓶颈效应”越来越明显。
随着全球化以及科技的高速发展，需要处理的数据量在急剧增加，相应的数据处理模型和算法也在不断增加，带来的结果就是对算力和功耗的要求不断提高。而目前冯·诺依曼架构和哈佛架构的电子计算机存在传输瓶颈、功耗增加以及算力瓶颈等问题，已越来越难以满足大数据时代对算力与功耗的需求，因此提高运算速度同时降低运算功耗是目前面临的紧要问题。
光计算相比于电计算具有很多优势，例如：光信号以光速传输，使速度得到巨大提升；光具有天然的并行处理能力以及成熟的波分复用技术，从而使数据处理能力和容量及带宽大幅度提升；光计算功耗有望低至10～18J/bit，相同功耗下，光子器件比电子器件快数百倍。光子计算芯片以光子为信息的载体具有高速并行、低功耗的优势，因此被认为是未来高速、大数据量、人工智能计算处理的最具有前景的方案。但目前未见有利用光信号解决最大池化的方法。
发明内容
有鉴于此，本发明实施例的目的在于提出一种光学神经网络最大池化的方法、系统、计算机设备及计算机可读存储介质，本发明以MRR的光强传递函数为实现光学神经网络的基础，通过电流改变MRR有效折射率进而改变MRR传递函数，实现适用于光学神经网络中最大池化的模拟解决方案，利用Add-Drop型的MRR实现最大池化，为全光人工智能计算提供关键模块的光学解决方案，具有高速低功耗的优势。
基于上述目的，本发明实施例的一方面提供了一种光学神经网络最大池化的方法，包括如下步骤：根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。
在一些实施方式中，所述根据每个输入光的波长调整所述上传/下载型微环的半径包括：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。
本发明实施例的另一方面，提供了一种光学神经网络最大池化的系统，包括：设置模块，配置用于根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；输入模块，配置用于分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及调整模块，配置用于确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
在一些实施方式中，所述调整模块配置用于：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。
在一些实施方式中，所述调整模块配置用于：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。
在一些实施方式中，所述设置模块配置用于：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。
本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果：以MRR的光强传递函数为实现光学神经网络的基础，通过电流改变MRR有效折射率进而改变MRR传递函数，实现适用于光学神经网络中最大池化的模拟解决方案，利用Add-Drop型的MRR实现最大池化，为全光人工智能计算提供关键模块的光学解决方案，具有高速低功耗的优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明提供的光学神经网络最大池化的方法的实施例的示意图；
图2为最大池化的示意图；
图3为上传/下载型(Add-Drop型)微环的示意图；
图4为上传/下载型微环非谐振(a)以及谐振(b)情况下光强分布示意图；
图5a为上传/下载型微环传递函数Tp随相位的变化示意图；
图5b为上传/下载型微环传递函数Td随相位的变化示意图；
图6为上传/下载型微环实现2*2最大池化的架构示意图；
图7为本发明提供的光学神经网络最大池化的计算机设备的实施例的硬件结构示意图；
图8为本发明提供的光学神经网络最大池化的计算机存储介质的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
本发明实施例的第一个方面，提出了一种光学神经网络最大池化的方法的实施例。图1示出的是本发明提供的光学神经网络最大池化的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
S1、根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；
S2、分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及
S3、确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
池化为神经网络中重要的算子，池化可以降低特征图的尺寸，并保持某种不变性，例如旋转、平移和伸缩等，常见的池化方法包括最大池化和平均池化，其中最大池化为计算池化核中神经元的最大值作为输出，图2示出的是最大池化的示意图，图2中的池化尺寸为2*2。
最大池化中的一次运算可以表示为其中n×n为池化核的尺寸，xi为池化层输入神经元，y为池化层输出神经元，当n＝2时，池化层中的一次运算可以表示为：y＝max(x1,x2,x3,x4)。
图3示出的是上传/下载型(Add-Drop型)微环的示意图，如图3所示，上传/下载型微环由一个微环波导和两个直线接入波构成，共有四个端口：Input(输入)端口、Thru(经过)端口、Add(上传)端口和Drop(下载)端口。本发明假设Add端口没有光信号。
图4示出的是上传/下载型微环非谐振(a)以及谐振(b)情况下光强分布示意图。如图4所示，输入光信号从Input端口进入，当入射光的波长满足谐振条件时，该波长的光信号大部分从Drop端口输出，Thru端口几乎无输出；如果入射光的波长不满足谐振条件，进入微环腔中只有很弱的光场，输入光大部分从Thru端口输出，而Drop端口只有很小的光输出。
光在微环中传输时，受到微环的限制较强，当它满足绕微环传输一圈时产生的光程差是光信号波长的整数倍这个条件时，就会发生谐振，光信号的强度会不断加强，而使其产生相互作用而加强的条件称为谐振条件，微环的谐振方程为：2πRneff＝mλi。式中λi为波长，R为上传/下载型微环的半径，neff为光的有效折射率，m为正整数。满足上述公式的波长的光即满足谐振条件，会被限制在微环中。当给上传/下载型微环通过电流时会加热上传/下载型微环，导致光的有效折射率neff发生变化，从而使谐振波长发生漂移。
通过Thru端口的光的强度与进入Add-Drop型MRR的Input端口的光强的传递函数的表达式如下：
通过Drop端口的光的强度与进入Add-Drop型MRR的Input端口的光强的传递函数的表达式如下：
其中φi为MRR的相位，r是自耦合系数，a定义了环和定向耦合器的传播损耗。在耦合损耗可以忽略的情况下，即a≈1，Thru端口的光的传递函数和Drop端口的光的降传递函数之间的关系是Tp＝1-Tq。
图5a示出的是上传/下载型微环传递函数Tp随相位的变化示意图；图5b示出的是上传/下载型微环传递函数Td随相位的变化示意图。如图5a和5b所示，上传/下载型微环传递函数Tp,Td随相位φi的变化而在在[0，1]之间变化。当给上传/下载型微环通过电流时会加热上传/下载型微环，导致neff的变化，从而导致相位φi的变化，最终影响光强的传递函数Tp,Td。
图6示出的是上传/下载型微环实现2*2最大池化的架构示意图。结合图6对本发明实施例进行说明。
根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径。本发明实施例中以2*2为例，但不是对发明的限制，可以根据池化尺寸确定上传/下载型微环的数量，例如，池化尺寸为2*2，则上传/下载型微环的数量可以为4，池化尺寸为3*3，则上传/下载型微环的数量可以为9，池化尺寸为4*4，则上传/下载型微环的数量可以为16，以此类推。
在一些实施方式中，所述根据每个输入光的波长调整所述上传/下载型微环的半径包括：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。当输入光信号的波长λi与上传/下载型微环中圆环半径R之间满足2πRneff＝mλi时，可以产生谐振，因此，可以根据每个输入光的波长调整所述上传/下载型微环的半径。
分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流。四个输入光强|E1|2,|E2|2,|E3|2,|E4|2分别以λ1,λ2,λ3,λ4的波长在input端输入，分别与四个上传/下载型微环产生谐振，光信号从Drop端口传出，此时将光信号馈入一个光谱响应为Re的光电二极管，则光电二极管的感应电流为：
确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。在控制模块，对输出的电流进行比较，对于感应电流最大的上传/下载型微环，调节其相位φi，使传递函数Tp＝1,Td＝0，只有感应电流最大(光强最大)光信号在Thru端输出，实现了2*2最大池化。
本发明实施例以MRR的光强传递函数为实现光学神经网络的基础，通过电流改变MRR有效折射率进而改变MRR传递函数，实现适用于光学神经网络中最大池化的模拟解决方案，利用Add-Drop型的MRR实现最大池化，为全光人工智能计算提供关键模块的光学解决方案，具有高速低功耗的优势。
需要特别指出的是，上述光学神经网络最大池化的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于光学神经网络最大池化的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种光学神经网络最大池化的系统，包括：设置模块，配置用于根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；输入模块，配置用于分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及调整模块，配置用于确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
在一些实施方式中，所述调整模块配置用于：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。
在一些实施方式中，所述调整模块配置用于：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。
在一些实施方式中，所述设置模块配置用于：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。
本发明实施例以MRR的光强传递函数为实现光学神经网络的基础，通过电流改变MRR有效折射率进而改变MRR传递函数，实现适用于光学神经网络中最大池化的模拟解决方案，利用Add-Drop型的MRR实现最大池化，为全光人工智能计算提供关键模块的光学解决方案，具有高速低功耗的优势。
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；S2、分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及S3、确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。
在一些实施方式中，所述根据每个输入光的波长调整所述上传/下载型微环的半径包括：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。
本发明实施例以MRR的光强传递函数为实现光学神经网络的基础，通过电流改变MRR有效折射率进而改变MRR传递函数，实现适用于光学神经网络中最大池化的模拟解决方案，利用Add-Drop型的MRR实现最大池化，为全光人工智能计算提供关键模块的光学解决方案，具有高速低功耗的优势。
如图2所示，为本发明提供的上述光学神经网络最大池化的计算机设备的一个实施例的硬件结构示意图。
以如图2所示的装置为例，在该装置中包括一个处理器201以及一个存储器202，并还可以包括：输入装置203和输出装置204。
处理器201、存储器202、输入装置203和输出装置204可以通过总线或者其他方式连接，图2中以通过总线连接为例。
存储器202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的光学神经网络最大池化的方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的光学神经网络最大池化的方法。
存储器202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据光学神经网络最大池化的方法的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器202可选包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可接收输入的用户名和密码等信息。输出装置204可包括显示屏等显示设备。
一个或者多个光学神经网络最大池化的方法对应的程序指令/模块存储在存储器202中，当被处理器201执行时，执行一种光学神经网络最大池化的方法，该方法包括如下步骤：根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。
在一些实施方式中，所述根据每个输入光的波长调整所述上传/下载型微环的半径包括：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。
执行上述光学神经网络最大池化的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行一种光学神经网络最大池化的方法的计算机程序。该方法包括如下步骤：根据池化尺寸确定上传/下载型微环的数量，并根据每个输入光的波长调整所述上传/下载型微环的半径；分别给每个上传/下载型微环的Input端输入对应的输入光，并将所述上传/下载型微环输出的光信号输入光电二极管以得到对应的输出电流；以及确定所述输出电流中最大的输出电流，并对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：给所述上传/下载型微环中通入电流以调整所述上传/下载型微环的相位。
在一些实施方式中，所述对所述最大的输出电流对应的上传/下载型微环的相位进行调整以实现最大池化包括：调节所述上传/下载型微环的相位以使得通过Thru端的光强与进入Input端的光强的传递函数的值为1，并使得通过Drop端的光强与进入Input端的光强的传递函数的值为0。
在一些实施方式中，所述根据每个输入光的波长调整所述上传/下载型微环的半径包括：调整上传/下载型微环的半径以使得上传/下载型微环的周长与光的有效折射率的乘积为输入光的波长的整数倍。
如图3所示，为本发明提供的上述光学神经网络最大池化的计算机存储介质的一个实施例的示意图。以如图3所示的计算机存储介质为例，计算机可读存储介质3存储有被处理器执行时执行如上方法的计算机程序31。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，光学神经网络最大池化的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：质量评估模型训练方法、装置、电子设备及存储介质