基于铌酸锂的片上级联MZI可重构量子网络制造技术

一种基于铌酸锂的片上级联MZI可重构量子网络架构，包括：作为神经网络输入层的输入波导阵列、与输入波导阵列光连接且作为神经网络隐藏层的若干MZI、可饱和吸收器阵列、非线性光学单元以及作为神经网络输出层的探测器阵列，MZI之间相互连接并根据第一阵列光信号线性转换为第二阵列光信号，可饱和吸收器阵列可饱和吸收器阵列中的每个可饱和吸收器接收第二阵列光信号中的相应光信号并将其非线性地转换为第三阵列光信号并由探测器阵列探测得到；本发明专利技术解决现有基于光子集成电路的片上相干光学神经形态计算技术问题，以通用、可重构的量子光学神经网络克服微电子和混合光学电子实现中计算效率和功耗的局限性。

【技术实现步骤摘要】
基于铌酸锂的片上级联MZI可重构量子网络
本专利技术涉及的是一种量子计算领域的技术，具体是一种基于铌酸锂的片上级联马赫—曾德尔调制器(MZI)可重构量子网络。
技术介绍
光学神经网络(OpticalNeuralNetworks,ONNW)是基于光子集成电路来实现神经拟态计算，通常包括一个输入层、至少一个隐藏层和一个输出层。在每一层中，信息通过线性组合(例如矩阵乘法)和应用于线性组合结果的非线性激活函数通过神经网络传播。在训练人工神经网络模型时，可以将数据输入到输入层，并通过前向传播步骤计算输出。然后通过反向传播过程对参数进行优化。在光学神经网络中，可以以光速执行线性变换(和某些非线性变换)，并在光子网络中以超过100GHz的速率以较低的能耗进行检测。但是，由于缺乏相位稳定性以及难以在网络中集成大量神经元(例如，数百万个神经元的数量级)，因此使用大量光学组件(例如，光纤和透镜)实施此类转换可能具有挑战性。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种基于铌酸锂的片上级联MZI可重构量子网络架构，解决现有基于光子集成电路的片上相干光学神经形态计算技术问题，以通用、可重构的量子光学神经网络(QuantumOpticalneuralnetworks,QONN)克服微电子和混合光学电子实现中计算效率和功耗的局限性。本专利技术是通过以下技术方案实现的：本专利技术涉及一种基于铌酸锂的片上级联MZI可重构量子网络架构，包括：作为神经网络输入层的输入波导阵列、与输入波导阵列光连接且作为神经网络隐藏层的若干MZI、可饱和吸收器阵列、非线性光学单元以及作为神经网络输出层的探测器阵列，其中：MZI之间相互连接并根据第一阵列光信号线性转换为第二阵列光信号，可饱和吸收器阵列可饱和吸收器阵列中的每个可饱和吸收器接收第二阵列光信号中的相应光信号并将其非线性地转换为第三阵列光信号并由探测器阵列探测得到。所述的第一阵列光信号来自波导的输入光场，具体为：Z(i)＝|E|2，其中：E是波导中的电场强度。所述的第二阵列光信号经过光学干涉，具体为：Z(1)＝W0x，其中：W0是代表光学干涉的矩阵。由第二阵列光信号非线性转换得到的第三阵列光信号具体为：Y＝W0h(i)，其中：h(i)是通过非线性光学单元实现的激活函数，h(i)＝f(Z(i))。所述的马赫—曾德尔干涉仪包括：用于改变MZI的分束比的第一移相器、用于改变MZI的一个输出的相位的第二移相器。所述的非线性光学单元通过可饱和吸收器阵列实现。本专利技术涉及一种基于铌酸锂薄膜的片上马赫—曾德尔干涉仪的制备方法，包括下列步骤：步骤1、等离子体增强化学沉积二氧化硅：①由上往下依次为铌酸锂薄膜、二氧化硅衬底以构成薄膜样品；②等离子体增强化学沉积法沉积二氧化硅，以作为铌酸锂刻蚀的掩膜层，从而使刻蚀铌酸锂的过程中的MZI受到保护并刻蚀得更深，同时在远离铌酸锂薄膜材料暴露在外；步骤2、电子束光刻：①由上往下依次涂上用于降低MZI波导的粗糙度的导电胶和光刻胶；②通过电子束光刻系统来进行电子束光刻，从而能够实现亚微米级的MZI的制备；③对光刻胶显影、定影，直到形成稳定的需要的图案层；步骤3、反应离子刻蚀SiO2：将已有稳定图案层的薄膜进行反应离子刻蚀，直到把相应区域的二氧化硅刻蚀完全。步骤4、刻蚀铌酸锂：调整步骤1中的二氧化硅的掩膜层厚度以及刻蚀参数，直到刻蚀反应到需要的波导深度。形成带有二氧化硅掩膜的铌酸锂图案层和脊状波导，即不同深度的MZI；步骤5、残余层清洗：①将经过刻蚀的薄膜样品放置于腐蚀液中，使用有机去胶液清洗掉残存的光刻胶，直到光刻胶完全去除；②将去除光刻胶的样品放入5％的HF溶液中，对剩余的二氧化硅层进行腐蚀，直到二氧化硅层完全去除。步骤6、电子束蒸镀沉积电极：①底部金属电极采用标准PMMA/MMA双层剥离工艺形成；②电极是用电子束蒸镀沉积的。本专利技术涉及上述方法制备得到的基于铌酸锂的片上级联MZI可重构量子网络架构的应用，将其用于进行量子计算，包括但不限于大数N的质数因式分解Shor算法、量子搜寻Grover算法等。技术效果本专利技术整体解决了现有微电子和混合光学电子中计算效率低且功耗较大、光学组件扩展性差、机器学习算法具有算力限制以及硅基具有材料限制，很难大规模大尺度集成的问题。与现有技术相比，本专利技术技术效果包括：1、突破微电子和混合光学电子中计算效率和功耗的局限。在光学神经网络中，可以以光速执行线性变换(和某些非线性变换)，并在光子网络中以超过100GHz的速率进行检测，并且在某些情况下以最小的功耗进行检测。2、突破传统光学组件扩展性差的限制。由于缺乏相位稳定性以及难以在网络中集成百万数量级的神经元，因此使用大量光学组件(如光纤和透镜)实施此类转换可能具有挑战性。集成光子学可以通过为大型、相位稳定的光学转换提供可扩展的体系结构来解决此问题。3、突破经典机器学习算法的算力限制。大多数现代经典机器学习算法都依赖于线性代数运算。量子算法利用量子力学许多基本特性，如相干叠加性、并行性、纠缠性、测量坍缩等等，这些物理性质的加入使得计算的效率带来极大的帮助，形成量子算法。量子算法已进行多次演示并证明其实用性，可为各种线性代数运算提供比经典算法更快的速度，如：大数N的质数因式分解Shor算法、量子搜寻Grover算法。这些量子算法可以通过铌酸锂基的片上级联MZI量子网络实现。4、突破硅基的材料限制。采用铌酸锂薄膜作为马赫—曾德尔的材料。铌酸锂具有优良的电光性能和非线性光学性质，它在电光调制器、腔量子电动力学实验和微波光子学等方面有很高的应用潜力。这种制备方法提升片上微光学器件的尺寸和片上微光学器件集成的效率，使得大规模大尺度的级联MZI制备和集成成为可能。附图说明图1为本专利技术光学神经网络的示意图；图2为图1中光学神经网络中的隐藏层实现SVD分解的示意图；图3为图1中光学神经网络中的隐藏层用于光学线性变换的MZI示意图；图4为本专利技术利用等离子体增强化学气相沉积、电子束光刻和反应离子刻蚀制备基于铌酸锂薄膜、级联MZI的可重构量子网络的流程示意图；图5为实施例实体示意图。具体实施方式如图1所示，为本实施例涉及一种马赫—曾德尔干涉仪进行光学线性变换的光学神经网络，包括：一个输入层1、多个隐藏层2，具体为2(1)、...2(i)...2(n)，以及一个输出层3。每一输入层、隐藏层或输出层均包括多个神经元，即图1中圆圈节点，例如：输入层1中包括X1,X2,X3,X4,X5,X6六个神经元，输出层3中包括Y1,Y2,Y3,Y4,Y5,Y6六个神经元。本实施例中输入层的圆圈通过基于铌酸锂基的输入波导实现，并且圆列之间的箭头通过用于执行线性或非线性变换的光子电路实现。如图1所示，输入层1中的每个神本文档来自技高网...

【技术保护点】
1.一种基于铌酸锂的片上级联MZI可重构量子网络架构，其特征在于，包括：作为神经网络输入层的输入波导阵列、与输入波导阵列光连接且作为神经网络隐藏层的若干MZI、可饱和吸收器阵列、非线性光学单元以及作为神经网络输出层的探测器阵列，其中：MZI之间相互连接并根据第一阵列光信号线性转换为第二阵列光信号，可饱和吸收器阵列可饱和吸收器阵列中的每个可饱和吸收器接收第二阵列光信号中的相应光信号并将其非线性地转换为第三阵列光信号并由探测器阵列探测得到；/n所述的第一阵列光信号来自波导的输入光场，具体为：Z

【技术特征摘要】
1.一种基于铌酸锂的片上级联MZI可重构量子网络架构，其特征在于，包括：作为神经网络输入层的输入波导阵列、与输入波导阵列光连接且作为神经网络隐藏层的若干MZI、可饱和吸收器阵列、非线性光学单元以及作为神经网络输出层的探测器阵列，其中：MZI之间相互连接并根据第一阵列光信号线性转换为第二阵列光信号，可饱和吸收器阵列可饱和吸收器阵列中的每个可饱和吸收器接收第二阵列光信号中的相应光信号并将其非线性地转换为第三阵列光信号并由探测器阵列探测得到；
所述的第一阵列光信号来自波导的输入光场，具体为：Z(i)＝|E|2，其中：E是波导中的电场强度；
所述的第二阵列光信号经过光学干涉，具体为：Z(1)＝W0X，其中：W0是代表光学干涉的矩阵；
由第二阵列光信号非线性转换得到的第三阵列光信号具体为：Y＝W0h(i)，其中：h(i)是通过非线性光学单元实现的激活函数，h(i)＝f(Z(i))。


2.根据权利要求1所述的基于铌酸锂的片上级联MZI可重构量子网络架构，其特征是，所述的马赫-曾德尔干涉仪包括：用于改变MZI的分束比的第一移相器、用于改变MZI的一个输出的相位的第二移相器。


3.根据权利要求1所述的基于铌酸锂的片上级联MZI可重构量子网络架构，其特征是，每个隐藏层包括：光学干涉单元和非线性光学单元以实现奇异值分解，从而实现对输入光信号的任意线性变换。


4.根据权利要求3所述的基于铌酸锂的片上级联MZI可重构量子网络架构，其特征是，所述的光学干涉单元包括：第一MZI阵列应用矩阵V实现运算、衰减器或放大器应用矩阵S实现乘法运算、第二MZI阵列应用矩阵U实现乘法运算，其中：光学干涉单元使用矩阵M对输入信号应用矩阵乘法：M＝USV*，其中：U为一个酉矩阵，S为一个对角为非负实数的m×n维对角矩阵，V*为n×n维酉矩阵V的复共轭；
所述的非线性光学单元包括一组可饱和吸收器的阵列。

【专利技术属性】
技术研发人员：金贤敏，王楚涵，徐剑，李轩坤，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31