【技术实现步骤摘要】
本专利技术属于光电计算和机器学习，具体涉及一种应用半导体激光器实现神经网络非线性运算的方法。
技术介绍
1、当今信息时代，神经网络技术在人工智能领域取得了重大突破，成为了模式识别、数据分析和决策支持等任务中不可或缺的工具。然而，随着神经网络的不断发展和应用，传统的电学神经网络也暴露出了一些局限性，特别是在大规模运算和能源效率方面。
2、在电学神经网络中，激活函数是至关重要的组成部分，它们实现了输入信号到输出信号的非线性转换。然而，传统电学神经网络的激活函数通常依赖于电学逻辑电路，电学计算的时延较大，而光学计算则更为迅速。此外，电学网络中存在信号损耗和噪音，这限制了神经网络的多层集成能力。
3、为了解决这些问题，研究者们一直在寻求创新的方法，将神经网络的计算推进到新的领域。光学领域因其高速、低能耗的特点成为了一个备受关注的方向，但在光学神经网络中仍然存在一些挑战。传统光学神经网络在进行非线性运算时，光信号往往会受到损耗，导致计算精度和可靠性的下降，同时也限制了多层集成的可能性。
4、因此，迫切需要一种创新的方法，能够在光学领域内实现神经网络激活函数的高效计算，同时避免光信号损耗，为神经网络计算带来新的突破。本专利技术正是在这一背景下诞生的，旨在利用激光器技术，通过光信号的放大实现光学神经网络激活函数的高效计算，同时克服了传统光学神经网络的限制，为高集成度的光学神经网络的实现提供了新的可能性。
技术实现思路
1、为解决现有技术中的问题，本专利技术提出
2、本专利技术的技术方案如下：
3、本专利技术提供了一种应用半导体激光器实现神经网络非线性运算的方法，其包括如下步骤：
4、s1.获取用于神经网络计算的高速电学芯片中线性运算部分的输出向量o1＝[o11,o12,…,o1m]，将其编码在λ1波长的激光的不同强度上，作为泵浦源，即作为非线性运算的输入信号i1＝[i11,i12,…,i1m]；
5、s2.非线性运算的输入信号i1＝[i11,i12,…,i1m]进入m个激光器；每个激光器接收所述强度为i1x的激光后，在激光器内部完成光与物质的相互作用实现非线性运算，从而产生波长为λ2的强度为o2x的激光，其不同强度信息即为非线性运算后的输出信号o2＝[o21,o122,…,o2m]，其中x＝1，2，…,m；所述输出向量o2与输入向量i1有一个一一对应的非线性映射关系，表示为y＝f(x)，此映射关系即为激活函数的映射关系；
6、s3.将输出信号接入光衰减器，对激光强度进行k比例的调整，以满足神经网络非线性输出时光电探测器检测的强度要求，所述k范围为0-1的正数；所述光电探测器的输出被作为后续高速电学芯片的输入，进入下一层神经网络的计算。
7、在本专利技术的一种可选模式中，所述的激光器为单模激光器，所述的非线性映射关系为relu函数。
8、进一步的，所述单模激光器具有有源区、谐振腔和高反射镜，以在一个狭窄的光波传播模式下工作；所述有源区包含半导体材料，用于激发载流子并产生光子；谐振腔通过多次反射特定波长光并与载流子相互作用，来增强光的放大，最终产生输出光；反射镜用于在谐振腔的两端反射光线，维持激光的共振；当外部输入信号被输入到单模激光器中，该激光器会引起仅在一个狭窄的频率范围内振荡的单一模式。
9、进一步的，泵浦光源注入泵浦光作为激励，在单模激光器内产生载流子与光子，载流子与光子相互作用后达到稳定，输出特定光强的光；
10、激光器内部的载流子密度与光子密度变化的速率方程如下：
11、
12、
13、其中n为载流子密度，np为光子密度，ηi为注入有源区的载流子与未注入有源区的载流子的比例，i为电流强度，q为电子电荷值，v为谐振腔体积，τ为载流子寿命，vg为群速度，γ为光限制因子，g为增益模式，βsp为自发辐射因子，nsp为自发辐射数，τp为光子寿命；
14、g＝a(n-ntr)为增益模式的具体阐述，其中a为g相对于n的微分增益，ntr为透明载流子密度。
15、进一步的，外部输入信号中的光波与单模激光器的谐振腔频率相互作用，只有与该频率匹配的光波才会得到放大和增强，其他频率的光波则会被抑制；这种频率选择性放大机制导致了输出光强与输入信号之间的非线性映射关系；当输入信号的光强逐渐增加时，输出光强将保持稳定，直至达到单模激光器的临界阈值，此后输出光强将线性增加；通过调整有源区、谐振腔体积、增益饱和系数、有源区激发电流参数，并引入光衰减器，调整输出光信号的强度，对输出进行归一化操作，优化总模式输入与输出关系曲线，这种非线性映射关系符合神经网络中的relu激活函数的特性。
16、在本专利技术的另一种可选模式中，所述的激光器为双模激光器，所述的双模激光器包括有源区、谐振腔、高反射镜；
17、有源区包含半导体材料，用于激发载流子并产生光子；谐振腔通过多次反射特定波长光并与载流子相互作用，来增强光的放大，最终产生输出光；反射镜用于在谐振腔的两端反射光线，维持激光的共振；
18、双模激光器的谐振腔被设计为可反射两种不同波长的光并对其进行放大，即入射光进入激光器后产生两种不同波长的光，代表两种模式，每种波长的光对应一种模式；所述的非线性映射关系为sigmoid函数。
19、进一步的，双模激光器中包括两种模式的光，分别代表不同的波长；通过泵浦光源将泵浦光注入激光器作为激励，在激光器内部产生载流子与光子；在双模激光器内，两种模式的光子相互竞争并相互作用，最终输出一种稳定且具有特定光强的光；
20、激光器内部的光子变化速率方程为：
21、
22、
23、其中，下标1,2分别代表两种模式，α为模式损耗；
24、进一步的，载流子速率方程为：
25、
26、进一步的，增益模式gi为：
27、gi＝a(n-n0)[1-(λi-λ0)2/δ2](1-ci,inpi-ci,3-inp3-i)
28、其中，λi为i模式光的波长，λ0为基准波长，δ为增益饱和系数，ci,i为最大谐振体积。
29、进一步的，泵浦光源注入泵浦光，激光器内发生两种模式的相互竞争，其中一种波长的模式一被抑制，输出光强接近于0；另一种波长的模式二占据主导地位，在输入光强达到阈值后，输出光强随输入光强的增大而增大；随后模式二达到增益饱和，产生模式切换，模式一开始快速上升，模式二进而被抑制；
30、通过调整有源区、谐振腔体积、增益饱和系数、有源区激发电流参数，并引入光衰减器，调整输出光信号的强度，对输出进行归一化操作，优化总模式输入与输出关系曲线，形成sigmoid函数曲线。
31、本专利技术还提供了一种光学神经网络，其线性部分运算由电学逻辑元件完成，其非线性部分运算由上述的方法实现；即非线性本文档来自技高网...
【技术保护点】
1.一种应用半导体激光器实现神经网络非线性运算的方法，其特征在于包括如下步骤：
2.根据权利要求1所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，所述的激光器为单模激光器，所述的非线性映射关系为ReLU函数。
3.根据权利要求2所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，所述单模激光器具有有源区、谐振腔和高反射镜，以在一个狭窄的光波传播模式下工作；
4.根据权利要求3所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，泵浦光源注入泵浦光作为激励，在单模激光器内产生载流子与光子，载流子与光子相互作用后达到稳定，输出特定光强的光；
5.根据权利要求2所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，外部输入信号中的光波与单模激光器的谐振腔频率相互作用，只有与该频率匹配的光波才会得到放大和增强，其他频率的光波则会被抑制；这种频率选择性放大机制导致了输出光强与输入信号之间的非线性映射关系；当输入信号的光强逐渐增加时，输出光强将保持稳定，直至达到单模激光器的临界阈值，此后输出光强将
6.根据权利要求1所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，所述的激光器为双模激光器，所述的双模激光器包括有源区、谐振腔、高反射镜；
7.根据权利要求6所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，双模激光器中包括两种模式的光，分别代表不同的波长；通过泵浦光源将泵浦光注入激光器作为激励，在激光器内部产生载流子与光子；在双模激光器内，两种模式的光子相互竞争并相互作用，最终输出一种稳定且具有特定光强的光；
8.根据权利要求6所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，泵浦光源注入泵浦光，激光器内发生两种模式的相互竞争，其中一种波长的模式一被抑制，输出光强接近于0；另一种波长的模式二占据主导地位，在输入光强达到阈值后，输出光强随输入光强的增大而增大；随后模式二达到增益饱和，产生模式切换，模式一开始快速上升，模式二进而被抑制；
9.一种光学神经网络，其特征在于，其线性部分运算由电学逻辑元件完成，其非线性部分运算由权利要求1-8任一项所述的方法实现；即非线性部分运算时，将电学信号转为光学信号输入激光器，用光电探测器检测输出光强，并转为电学信号，完成非线性运算过程。
...【技术特征摘要】
1.一种应用半导体激光器实现神经网络非线性运算的方法，其特征在于包括如下步骤：
2.根据权利要求1所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，所述的激光器为单模激光器，所述的非线性映射关系为relu函数。
3.根据权利要求2所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，所述单模激光器具有有源区、谐振腔和高反射镜，以在一个狭窄的光波传播模式下工作；
4.根据权利要求3所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，泵浦光源注入泵浦光作为激励，在单模激光器内产生载流子与光子，载流子与光子相互作用后达到稳定，输出特定光强的光；
5.根据权利要求2所述的应用半导体激光器实现神经网络非线性运算的方法，其特征在于，外部输入信号中的光波与单模激光器的谐振腔频率相互作用，只有与该频率匹配的光波才会得到放大和增强，其他频率的光波则会被抑制；这种频率选择性放大机制导致了输出光强与输入信号之间的非线性映射关系；当输入信号的光强逐渐增加时，输出光强将保持稳定，直至达到单模激光器的临界阈值，此后输出光强将线性增加；通过调整有源区、谐振腔体积、增益饱和系数、有源区激发电流参数，并引入光衰减器，调整输出光信号的强度，对输出进行归一化操作，优化总模式输入与输出...
【专利技术属性】
技术研发人员：金潮渊，姜茗瀚，董雯婷，盛言蹊，刘逸丰，任芮瑶，
申请(专利权)人：浙江大学，
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。