無需明確指令即可快速、高效地學習(xi) 、組合和分析大量信息的計算機正在成為(wei) 處理大型數據集的強大工具。“深度學習(xi) ”算法因其在圖像識別、語言翻譯、決(jue) 策問題等方麵的實用性而在學術界和工業(ye) 界引起了很大的興(xing) 趣。傳(chuan) 統的中央處理單元 (central processing unit,CPU)不是實現這些算法的好選擇，學術界和工業(ye) 界越來越致力於(yu) 開發針對人工神經網絡(artificial neural network, ANN)和深度學習(xi) 中的国产成人在线观看免费网站程序量身定製的新硬件架構。如圖形處理單元(graphical processing unit, GPU)、專(zhuan) 用集成電路(application-specific integrated circuit, ASIC)、現場可編程門陣列(field-programmable gate array, FPGA)、IBM TrueNorth和Google TPU等，提高了學習(xi) 任務的能效和速度。同時，實現尖峰處理和儲(chu) 層計算的混合光電係統也已得到證明。
博覽：2017 NaturePhotonics 使用相幹納米光子電路進行深度學習(xi)
技術背景：
無需明確指令即可快速、高效地學習(xi) 、組合和分析大量信息的計算機正在成為(wei) 處理大型數據集的強大工具。“深度學習(xi) ”算法因其在圖像識別、語言翻譯、決(jue) 策問題等方麵的實用性而在學術界和工業(ye) 界引起了極大的興(xing) 趣。傳(chuan) 統的中央處理單元 (central processing unit,CPU)不是實現這些算法的好選擇，學術界和工業(ye) 界越來越致力於(yu) 開發針對人工神經網絡(artificial neural network, ANN)和深度學習(xi) 中的国产成人在线观看免费网站程序量身定製的新硬件架構。如圖形處理單元(graphical processing unit, GPU)、專(zhuan) 用集成電路(application-specific integrated circuit, ASIC)、現場可編程門陣列(field-programmable gate array, FPGA)、IBM TrueNorth和Google TPU等，提高了學習(xi) 任務的能效和速度。同時，實現尖峰處理和儲(chu) 層計算的混合光電係統也已得到證明。
全光神經網絡 (optical neural network, ONN) 為(wei) 微電子和混合光電子實現提供了一種有前途的替代方法。出於(yu) 多種原因，人工神經網絡很適合使用全光計算實現。(1) 它們(men) 嚴(yan) 重依賴於(yu) 固定的矩陣乘法。線性變換(和某些非線性變換)可以以光速執行，並在光子網絡中以超過100GHz的速率進行檢測，並且在某些情況下，功耗低。例如，普通鏡頭進行傅立葉變換時無需任何功耗，某些矩陣運算也可以在不耗費功耗的情況下以光學方式進行。(2)它們(men) 對非線性的要求較弱。事實上，許多固有的光學非線性可以直接用於(yu) 在ONN中實現非線性操作。(3) 一旦神經網絡被訓練，其將在沒有額外能量輸入的情況下對光信號進行計算。這些功能可以使ONN比電子同類国产欧美在线更節能、速度更快。然而，迄今為(wei) 止，由於(yu) 需要相位穩定性和大量神經元，使用大塊光學元件(如光纖和透鏡)實現此類轉換一直是一個(ge) 主要障礙。集成光子通過為(wei) 大型、相位穩定的光學轉換提供可擴展的解決(jue) 方案來解決(jue) 這個(ge) 問題。
當前不足：
人工神經網絡是受大腦信號處理啟發的計算網絡模型。這些模型顯著提高了許多機器學習(xi) 任務的性能(如語音和圖像識別)。然而，受限於(yu) 馮(feng) ·諾伊曼計算架構，今天的計算硬件在實現神經網絡方麵效率低下。
文章創新點：
基於(yu) 此，美國麻省理工學院的Yichen Shen(一作兼通訊)和Nicholas C.Harris(共一，共通訊)提出了一種全光神經網絡架構，在處理傳(chuan) 統的推理任務時，能夠在計算速度和能效上的電子架構更優(you) 越。
原理解析：
(1) ONN的一般架構。如圖1a所示，ANN一般由輸入層、至少一個(ge) 隱藏層、一個(ge) 輸出層組成。每一層包含輸入的線性組合和隨後的非線性激活函數輸出，具體(ti) 到ONN架構裏，每一層可以分解為(wei) 由光學幹涉單元(optical interference unit, OIU)執行光學矩陣乘法和光學非線性單元(optical nonlinearity unit, ONU)執行非線性激活(ONU可以使用常見的光學非線性來實現，如飽和吸收和雙穩態)，見圖1b、c。執行任務時，需要處理的數據首先在計算機上預處理成高維向量，預處理的信號隨後編碼成在光子集成電路中傳(chuan) 播的光脈衝(chong) 幅度，從(cong) 而實現多層ONN，見圖1d。每一層ONN由OIU和ONU組成。原則上，ONN可以完全在光域中實現任意深度和維度的ANN。
(2) OIU實現。由於(yu) 一個(ge) 一般的實值矩陣(M)可以通過奇異值分解(SVD)分解為(wei) M=UΣV†，其中U是一個(ge) m×m酉矩陣，Σ是一個(ge) m×n的矩形對角矩陣(對角線上為(wei) 非負實數)，V†是n×n酉矩陣V的複共軛。任何酉變換U,V† 都可以用光學分束器和移相器實現，Σ可以使用光衰減器來實現(也可以使用光放大材料，如半導體(ti) 或染料)。 以上述方式實現的酉矩陣的矩陣乘法原則上無功耗(ANN計算主要涉及矩陣乘積，因此，ONN架構具有極高的能效)。
具體(ti) 實現：
構建一個(ge) 兩(liang) 層的神經網絡用於(yu) 元音識別。
(1) OIU使用一個(ge) 由56個(ge) 可編程的馬赫-曾德爾幹涉儀(yi) (MZI)組成的可編程納米光子處理器(programmable nanophotonic processor, PNP)實現。每一個(ge) MZI包含在兩(liang) 個(ge) 50%倏逝波定向耦合器之間的熱-光移相器(θ)，隨後是另一個(ge) 移相器(φ)，見圖2c、d。如圖2a、b，激光耦合進OIU單元完成矩陣變換，隨後被光電二極管陣列探測，然後被計算機讀取並模擬非線性激活函數，激光重新注入OIU執行下一層(兩(liang) 個(ge) OIU完成一次奇異值分解)。
(2) 片上訓練。通常，神經網絡的參數使用梯度下降的方法訓練得到，在計算機上，常見的方式是使用反向傳(chuan) 播方法計算梯度，這個(ge) 過程非常耗時。在ONN上使用前向傳(chuan) 播和有限差方法(finite difference method)可以直接獲得每一個(ge) 不同參數的梯度(即無需反向傳(chuan) 播)，速度極快且功耗低。
實驗結果：
參考文獻：Shen, Y., Harris, N., Skirlo, S. et al. Deep learning with coherent nanophotonic circuits. Nature Photon 11, 441–446 (2017).
DOI：https://doi.org/10.1038/nphoton.2017.93
關(guan) 於(yu) 昊量光電：
上海昊量光電設備有限国产黄色在线观看是光電国产欧美在线專(zhuan) 業(ye) 代理商，国产欧美在线包括各類激光器、光電調製器、光學測量設備、光學元件等，涉及国产成人在线观看免费网站涵蓋了材料加工、光通訊、生物醫療、科學研究、國防、量子光學、生物顯微、物聯傳(chuan) 感、激光製造等；可為(wei) 客戶提供完整的設備安裝，培訓，硬件開發，軟件開發，係統集成等服務。
您可以通過我們(men) 昊量光電的官方網站www.weilancj.com了解更多的国产欧美在线信息，或直接來電谘詢4006-888-532。
本文章經光學前沿授權轉載,商業(ye) 轉載請聯係獲得授權。
展示全部 
