关键词:
多层光子脉冲神经网络
具有饱和吸收区的垂直腔面发射激光器
脉冲时序依赖可塑性
有监督学习
全光逻辑异或门
摘要:
与其他学科相比,人工智能(artificial intelligence,AI)的历史并不算长,但是随着时代的发展,AI受到越来越多的关注。AI把人们从繁重的工作中解放出来,人们也乐于应用AI解决复杂的问题。但是提高AI的性能并不是简单地增加图形处理器,人们尝试寻找新的神经网络形态,研究新的学习算法,期望在处理速率以及功耗方面有所突破。脉冲神经网络(spiking neural network,SNN)也许是一种答案,SNN来自人们对神经科学的研究,被人们称为第三代神经网络。考虑到光具有许多优良的性质,例如高速、高带宽、低功耗、低串扰等,非常适合用于超快信息处理。近年来,人们在具有饱和吸收区的垂直腔面发射激光器(vertical-cavity surface-emitting laser with an embedded saturable absorber,VCSEL-SA)的神经形态计算取得大量进展,因此,融合了光子学技术与神经形态计算的光子SNN无疑是一个具有广阔前景的方案。本文致力于基于VCSEL-SA的光子SNN有监督学习算法的研究。内容归纳如下:1.提出了一种以VCSEL-SA为脉冲神经元的多层光子SNN结构和有监督学习算法,该算法结合了传统的误差反馈机制与脉冲时序依赖可塑性(spike-timingdependent plasticity,STDP)。编码方式采用时间编码。将该算法应用于基于VCSELSA的多层光子SNN,仿真结果表明,训练后的网络能够很好地解决异或(exclusive OR,XOR)问题,并且与其他同类方案相比具有收敛快的特点。更进一步地,我们将该算法应用于其他基准数据集,例如Iris数据集,威斯康星乳腺癌数据集,都取得了良好的效果,展现了该算法良好的泛化性,并且对输入信号时延抖动和电流失谐具有一定的鲁棒性。2.提出了一种基于VCSEL-SA的光子SNN的级联结构,可以将两位输入的XOR扩展为多位输入的XOR。仿真结果表明,这种级联结构对于高速脉冲序列也能准确完成XOR运算。本方案的实现原理不同于现有的光学XOR级联方案,并且本方案对输入信号的时延抖动和电流失谐具有良好的鲁棒性。3.提出了一种基于VCSEL-SA的光子SNN的有监督学习算法,该算法结合了Tempotron规则和STDP规则。讨论了在光子SNN中引入Bagging算法,提高光子SNN的分类性能。采用人类免疫缺陷病毒数据集进行训练,仿真结果表明,多个光子SNN的综合决策相比于单个光子SNN具有更好的性能,对于一些基因分析的场景具有一定的实用价值。