本发明专利技术涉及光学智能优化领域，具体提供了一种光学智能优化方法、装置、计算机设备以及可读存储介质，根据预先配置的光学智能优化代理模型算法、试验设计和深度学习模型构建任务计算图，根据光学系统和代理模型定义子图替换规则，将所述任务计算图按照预设规则分配在中央处理器CPU和图形处理器GPU上，根据子图替换优化搜索方法进行多目标优化，寻找多个最优任务计算图，利用图卷积神经网络GCN算法进行任务计算图优化，对所述CPU和所述GPU执行异构并行加速，当优化算法结果满足预设要求完成光学智能优化，通过缩小搜索空间来提升深度学习计算图优化效率，获得更好的计算图优化性能，提升光学智能优化算法的计算效率。升光学智能优化算法的计算效率。升光学智能优化算法的计算效率。
【技术实现步骤摘要】
光学智能优化方法、装置、设备、介质
[0001]本专利技术涉及光学智能优化领域，特别涉及一种光学智能优化方法、装置、设备及介质。
技术介绍
[0002]目前光学设计可以抽象地视为在设计空间中的搜索，其中每个可能的设计都由该空间中的一个点表示。设计空间的维数，由自由参数的个数和空间的范围决定，由自由参数的变化范围决定，共同决定了找到满足一组规范的设计的难易程度和绩效目标。随着设计空间维度的增加，本地和全局搜索都变得越来越难以成功。虽然局部搜索往往会陷入次优设计，但全局搜索需要大量的点估计。通常提供单阶改进的计算能力和算法的进步可能不足以应对搜索空间的指数增长，从而导致所谓的“维数灾难”。
[0003]因此，最优光子设计要么局限于全局空间的有限搜索，要么是倾向于陷入局部最优的基于梯度的搜索。当前以代理模型形式出现的优化算法的复兴，为基于代理模型的方法带来了有趣的可能性，这些方法可能会克服“维数诅咒”。代理模型的应用在光学薄膜、纳米结构、超表面和集成光子学的设计中显示出了早期的前景。
[0004]而随着计算机体系结构和各种新型架构的发展，以及遵循着摩尔定律的技术工艺的进步，集成电路上的性能不断提升和种类不断多样，CPU （Central Processing Unit，中央处理器）、GPU（Graphics Processing Unit，图形处理器）、FPGA（Field Program Gate Way，现场可编程逻辑门阵列）、ASIC （Application Specific Integrated Circuit，专用集成电路）、DSP（Digital Signal Processor，数字信号处理器）以及各种异构体系结构产生的运算能力越来越强。因此，基于各种异构体系结构，面向光学优化求解算法的并行加速技术也成为了当前的关注重点。
[0005]高效的算法对于解决光学领域所面临的大规模优化问题至关重要。近年来，机器学习领域发展迅速，特别是在图神经网络和深度强化学习领域；这使得许多光学任务的优化性能得到了显著的提高。因此，图神经网络和深度强化学习在处理各种异构体系结构领域中的图结构以及解决图上的组合优化问题，特别是在克服传统方法上的局限性的潜力是巨大的。基于深度学习的光学优化算法可根据特定的算法，寻求定制设计与算法相适应，并能够发挥出硬件设备最大运算能力程序的技术。所以在现阶段为各种计算平台和加速器研发配套的软件工具来实现模型的高性能部署是深度学习领域的一个工作重点，缺乏软件工具硬件就无法发挥其最大能效，也难以得到推广。
[0006]将代理模型和多目标优化应用至光学设计中存在许多方面的问题：(1)光学系统性能通常对镜片设计参数的变化非常敏感；(2)虽然自动标注数据，但难以生成大型数据集；(3)光学系统性能要求非常严格，因此模型中的不确定性是不可接受的；(4)一个给定的响应可以通过多个设计来实现，而单个设计有一个唯一的响应（非唯一性）。将代理模型应用于光学设计的第一个挑战是，其可以很容易地训练来预测给定设计的响应，但由于非唯一性问题，反之则不行。
[0007]同时，深度学习在各种实际应用中取得了巨大成功，但不同平台通常有不同的功能和特性，要在不同类型的设备上都获得最佳性能非常困难，因为需要基于硬件对模型与运算核心同时进行优化才能充分发挥硬件的性能，因此如何有效提高各种复杂的深度学习模型在 CPU 与 GPU 等硬件设备上的执行效率仍是待解决的一大难题。现有的深度学习系统框架通常将深度学习模型建模为计算图形式，图中的节点是基于硬件加速的预定义基础算子。但随着深度神经网络模型规模越来越大，结构越来越复杂，深度学习模型的训练和推理代价也大幅增加。目前大多采用启发式的算法来搜索子图替换序列，以优化计算图，在面对复杂模型时容易影响其有效性或效率。事实上，现有的子图替换优化方法仍存在以下挑战：基于代理模型和多目标的光学优化算法，搜索空间大，维度高，时间复杂度高，难以得到全局最优解；缺乏可拓展性，随着计算图规模增大，搜索效率急剧降低；难以利用历史的优化结果。
技术实现思路
[0008]有鉴于此，本专利技术实施例中提供一种光学智能优化方法、装置、计算机设备及可读存储介质。
[0009]第一方面，本专利技术实施例中提供一种光学智能优化方法，包括：根据预先配置的光学智能优化代理模型算法、试验设计和深度学习模型构建任务计算图；根据光学系统和代理模型定义子图替换规则，将所述任务计算图按照预设规则分配在中央处理器CPU和图形处理器GPU上；根据子图替换优化搜索方法进行多目标优化，寻找多个最优任务计算图；利用图卷积神经网络 GCN算法进行任务计算图优化；对所述CPU和所述GPU执行异构并行加速；当优化算法结果满足预设要求完成光学智能优化。
[0010]在一种可选的方案中，所述根据预先配置的光学智能优化代理模型算法、试验设计和深度学习模型构建任务计算图，包括：基于图神经网络的深度学习计算图子图替换优化框架，构建光学智能优化代理模型和多目标算法的任务计算图；根据拉丁超立方的试验设计，确定针对光学系统的优化参数，所述优化参数包括样本数、设计空间维度或区间；构建多个计算图子图，并利用所述多个计算图子图表达光学设计中的系统参数、约束限制。
[0011]在一种可选的方案中，所述子图替换规则包含一个源图和一个目标图，其中所述源图表示为待替换子图的结构，用于映射到计算图中的特定子图；所述目标图表示为如何创建新的子图来替换映射的子图，所述源图和所述目标图均满足所述光学系统的约束，所述约束为变量约束或输入输出约束，对于任意的输入均能得到相同的输出，即
∀
I:(I)=t (I) 。
[0012]在一种可选的方案中，所述根据子图替换优化搜索方法进行多目标优化，寻找多个最优任务计算图，包括：基于子图替换优化搜索方法进行多目标优化算法的任务计算图优化，所述子图替换搜索方法通过放松严格的改进约束来探索复杂图的优化，基于回溯搜索算法来寻找多个最优计算图。
[0013]在一种可选的方案中，所述基于子图替换搜索方法使用剪枝的动态规划DP算法，所述DP算法容包含保存子图替换的中间结果的算法，使用动态规划搜索算法逐步优化一个原始计算图数据 X，将运行过程中生成的新图保存下来添加到新图数据中，在原始图的基础上每进行一次子图替换的过程进行一次数据增强，当新图数据达到所需数量要求时，停止所述DP算法。
[0014]在一种可选的方案中，所述利用图卷积神经网络 GCN算法进行任务计算图优化，包括：针对不同子图替换规则，利用现有深度学习模型的计算图获得带有标签的训练数据集；对所述训练数据集和子图替换规则集进行迭代训练，生成 GCN 模型集；将所述现有深度学习框架中待优化的计算图转换为待优化的所述任务计算图；使用所述GCN 模型集逐个推理得到在所述任务计算图下优化后的可行子图替换规则集；在过滤后的可行子图替换规则集上使用搜索算法对所述任务计算图进行优化；将优化后的任务计算图转换回框架计算图，其中所述框架计算图用于存储和组织计本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光学智能优化方法，其特征在于，包括：根据预先配置的光学智能优化代理模型算法、试验设计和深度学习模型构建任务计算图；根据光学系统和代理模型定义子图替换规则，将所述任务计算图按照预设规则分配在中央处理器CPU和图形处理器GPU上；根据子图替换优化搜索方法进行多目标优化，寻找多个最优任务计算图；利用图卷积神经网络 GCN算法进行任务计算图优化；对所述CPU和所述GPU执行异构并行加速；当优化算法结果满足预设要求完成光学智能优化。2.根据权利要求1所述的光学智能优化方法，其特征在于，所述根据预先配置的光学智能优化代理模型算法、试验设计和深度学习模型构建任务计算图，包括：基于图神经网络的深度学习计算图子图替换优化框架，构建光学智能优化代理模型和多目标算法的任务计算图；根据拉丁超立方的试验设计，确定针对光学系统的优化参数，所述优化参数包括样本数、设计空间维度或区间；构建多个计算图子图，并利用所述多个计算图子图表达光学设计中的系统参数、约束限制。3.根据权利要求1所述的光学智能优化方法，其特征在于，所述子图替换规则包含一个源图和一个目标图，其中所述源图表示为待替换子图的结构，用于映射到计算图中的特定子图；所述目标图表示为如何创建新的子图来替换映射的子图，所述源图和所述目标图均满足所述光学系统的约束，所述约束为变量约束或输入输出约束，对于任意的输入均能得到相同的输出，即 。4.根据权利要求1所述的光学智能优化方法，其特征在于，所述根据子图替换优化搜索方法进行多目标优化，寻找多个最优任务计算图，包括：基于子图替换优化搜索方法进行多目标优化算法的任务计算图优化，所述子图替换搜索方法通过放松严格的改进约束来探索复杂图的优化，基于回溯搜索算法来寻找多个最优计算图。5.根据权利要求4所述的光学智能优化方法，其特征在于，所述基于子图替换搜索方法使用剪枝的动态规划DP算法，所述DP算法容包含保存子图替换的中间结果的算法，使用动态规划搜索算法逐步优化一个原始计算图数据 ，将运行过程中生成的新图保存下来添加到新图数据 中，在原始图的基础上每进行一次子图替换的过程进行一次数据增强，当新图数据 达到所需数量要...
【专利技术属性】
技术研发人员：娄洪伟，盛磊，赵伟超，韩金波，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。