CN114757344B - 模拟生物神经元动力学以实现逻辑运算的***及方法 - Google Patents

模拟生物神经元动力学以实现逻辑运算的***及方法 Download PDF

Info

Publication number
CN114757344B
CN114757344B CN202210361462.0A CN202210361462A CN114757344B CN 114757344 B CN114757344 B CN 114757344B CN 202210361462 A CN202210361462 A CN 202210361462A CN 114757344 B CN114757344 B CN 114757344B
Authority
CN
China
Prior art keywords
laser
fano
input
module
intensity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210361462.0A
Other languages
English (en)
Other versions
CN114757344A (zh
Inventor
李念强
陈太一
周沛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN202210361462.0A priority Critical patent/CN114757344B/zh
Publication of CN114757344A publication Critical patent/CN114757344A/zh
Application granted granted Critical
Publication of CN114757344B publication Critical patent/CN114757344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Lasers (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明公开了一种模拟生物神经元动力学以实现逻辑运算的***及方法，所述模拟生物神经元动力学以实现逻辑运算的***包括：输入模块、电耦合模块、激光响应模块和输出模块。本发明模拟生物神经元动力学以实现逻辑运算的***基于法诺激光器，一方面相对于传统激光器具有更加稳定的特性，这导致通过电信号调制注入技术可使得所模拟的神经元兴奋性更加稳定，不会产生不必要的弛豫振荡现象，进而提高了信息处理的速度。同时，在避免额外的光注入的基础上，实现了结构的简易化，尤其是在实现复杂任务的大型神经网络中。其次，法诺激光器具有极小的体积和极低的能耗，以及更快的速度，且结构简单、成本低易于操控。

Description

模拟生物神经元动力学以实现逻辑运算的***及方法
技术领域
本发明涉及神经形态光子计算和尖峰神经网络领域，特别涉及一种模拟生物神经元动力学以实现逻辑运算的***及方法。
背景技术
神经形态计算主要从信息处理角度对人脑神经元进行抽象，通过建立相应的神经计算模型和***来模拟生物大脑神经网络处理、记忆信息的方式进行信息处理。尖峰神经网络在接受到外部刺激达到阈值时会以峰值的形式做出反应类似全由全无机制也称为兴奋性，其响应的稀疏的尖峰序列包含着外部刺激的时间以及强度信息即其以尖峰传递信息，尖峰神经网络这种编码方式是通过模拟大脑的结构和功能实现对信息的处理实现的，因此而引起了广泛的关注。
半导体激光器作为一种典型的可兴奋器件，具有结构简单、操作方便、易于集成等优点，其在外部扰动下可以实现兴奋性输出，其中包括光反馈、电流调制、光注入、相互耦合等。
近年来，随着光子技术的发展，研究人员开始更多的关注于通过使用半导体激光器等光子器件来实现尖峰神经网络，从而解决电子实现在速度、能耗、带宽、并行以及效率瓶颈方面的问题。如：基于光注入垂直腔面发射激光器(Vertical-Cavity Surface-Emitting Laser VCSEL)模拟神经元动力学以及实现二值卷积的相关示例(参见[Y.Zhang,J.Robertson,S.Xiang,M.Hejda,J.Bueno,and A.Hurtado,“All-optical neuromorphicbinary convolution with a spiking VCSEL neuron for image gradient magnitudes”Photonics Research 9(15),B201(2021).])；基于带饱和吸收体的垂直腔面发射激光器实现声音方位探测(参见[Z.W.Song,S.Y.Xiang,Z.X.Ren,S.H.Wang,A.J.Wen,and Y.Hao,“Photonic spiking neural network based on excitable VCSELs-SA for soundazimuth detection”Optics Express 28(2),1561-1573(2020).]。这些方案都是利用光注入半导体激光器的丰富动力学来实现对生物神经元动力学的模拟，然而一般情况下这些激光器在光注入所产生的兴奋性响应中会出现不必要的弛豫振荡现象，这极大地降低了信息处理的速度，同时因为光注入的引入必然也会导致***结构复杂性的提高，尤其是在大型网络结构中，这将会导致***体积增大，能耗增高，效率降低。
发明内容
本发明要解决的技术问题是提供一种能耗小、效率高的模拟生物神经元动力学以实现逻辑运算的***。
为了解决上述问题，本发明提供了一种模拟生物神经元动力学以实现逻辑运算的***，其包括：
输入模块，用于产生两路任意比特强度占空比可调谐的矩形输入电信号，以模拟生物神经元的刺激信号；
电耦合模块，与所述输入模块连接，所述电耦合模块用于将所述两路任意比特强度占空比可调谐的矩形输入电信号耦合成一路电信号，以模拟生物神经元中的细胞体的作用；
激光响应模块，包括法诺激光器，所述法诺激光器的输入端与所述电耦合模块的输出端连接，所述法诺激光器用于对耦合后的电信号做出相应的激光响应，以模拟生物神经元对刺激做出反应的现象；
输出模块，包括光电探测器和示波器，所述示波器通过所述光电探测器与法诺激光器连接，以将所述法诺激光器做出的激光响应以时序形式展现；
通过控制输入电信号的强度来调控工作区域，使得逻辑运算的结果在激光响应中以尖峰的形式表现。
作为本发明的进一步改进，所述输入模块包括第一任意波形发生器和第二任意波形发生器，用于分别产生一路任意比特强度占空比可调谐的矩形输入电信号。
作为本发明的进一步改进，所述电耦合模块包括两个输入端和一个输出端，所述电耦合模块的两个输入端分别与所述第一任意波形发生器和第二任意波形发生器的输出端连接，所述电耦合模块耦合后的电信号加载至所述法诺激光器，以对所述法诺激光器进行调制。
作为本发明的进一步改进，所述电耦合模块为电耦合器。
作为本发明的进一步改进，所述输出模块还包括光谱分析仪，所述光谱分析仪与法诺激光器连接，用于展示生物神经元的响应结果。
作为本发明的进一步改进，所述输出模块还包括光耦合模块，所述法诺激光器输出的光信号通过所述光耦合模块分成两路，一路光信号通过所述光电探测器进入示波器，另一路光信号进入所述光谱分析仪。
作为本发明的进一步改进，所述光耦合模块为光耦合器。
作为本发明的进一步改进，还包括温控模块，与所述法诺激光器连接以调节所述法诺激光器的运行温度。
本发明还提供了一种模拟生物神经元动力学以实现逻辑运算的方法，应用于上述任一所述的模拟生物神经元动力学以实现逻辑运算的***，其包括以下步骤：
通过所述输入模块产生两路任意比特强度占空比可调谐的矩形输入电信号，以模拟生物神经元的刺激信号；
通过所述电耦合模块将所述两路任意比特强度占空比可调谐的矩形输入电信号耦合成一路电信号，以模拟生物神经元中的细胞体的作用；
通过所述法诺激光器对耦合后的电信号做出相应的激光响应，以模拟生物神经元对刺激做出反应的现象；
通过示波器将所述法诺激光器做出的激光响应以时序形式展现；
通过控制输入电信号的强度来调控工作区域，使得逻辑运算的结果在激光响应中以尖峰的形式表现。
作为本发明的进一步改进，所述通过控制输入电信号的强度来调控工作区域，包括：
通过控制输入比特“1”的信号表示强度，控制工作区域为“OR”或者“AND”，当表示输入比特“1”的信号强度小于1/2阈值强度大小时为“AND”工作区域，当表示输入比特“1”的信号强度高于1/2阈值强度大小时工作在“OR”区域。
本发明的有益效果：
本发明模拟生物神经元动力学以实现逻辑运算的***基于法诺激光器，一方面相对于传统激光器具有更加稳定的特性，这导致通过电信号调制注入技术可使得所模拟的神经元兴奋性更加稳定，不会产生不必要的弛豫振荡现象，进而提高了信息处理的速度。
同时，在避免额外的光注入的基础上，实现了结构的简易化，尤其是在实现复杂任务的大型神经网络中。
其次，法诺激光器具有极小的体积和极低的能耗，以及更快的速度，且结构简单、成本低易于操控。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明优选实施例中模拟生物神经元动力学以实现逻辑运算的***的示意图；
图2为本发明中优选实施例中模拟生物神经元动力学以实现逻辑运算的***模拟的生物神经元动力学特性图；
图3为本发明中优选实施例中模拟生物神经元动力学以实现逻辑运算的***基于神经元动力学实现的“与”运算结果图；
图4为本发明中优选实施例中模拟生物神经元动力学以实现逻辑运算的***基于神经元动力学实现的“或”运算结果图。
标记说明：1、第一任意波形发生器；2、第二任意波形发生器；3、电耦合器；4、法诺激光器；5、温度控制器；6、光耦合器；7、光电探测器；8、光谱分析仪；9、示波器。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，为本发明优选实施例中的模拟生物神经元动力学以实现逻辑运算的***，包括：
输入模块，用于产生两路任意比特强度占空比可调谐的矩形输入电信号，以模拟生物神经元的刺激信号；
电耦合模块，与所述输入模块连接，所述电耦合模块用于将所述两路任意比特强度占空比可调谐的矩形输入电信号耦合成一路电信号，以模拟生物神经元中的细胞体的作用；
激光响应模块，包括法诺激光器4，所述法诺激光器4的输入端与所述电耦合模块的输出端连接，所述法诺激光器用于对耦合后的电信号做出相应的激光响应，以模拟生物神经元对刺激做出反应的现象；
输出模块，包括光电探测器7和示波器9，所述示波器9通过所述光电探测器7与法诺激光器4连接，以将所述法诺激光器4做出的激光响应以时序形式展现；
通过控制输入电信号的强度来调控工作区域，使得逻辑运算的结果在激光响应中以尖峰的形式表现。
其中，法诺激光器是一种特殊的光子晶体激光器，其具体构成为光子晶体薄膜上线缺陷波导作为激光腔，同时侧耦合一个纳米腔——基于这种结构其腔内的反射镜是由法诺干涉产生，这导致其具有更为稳定的动力学特性。在本发明中，基于法诺激光器的特性，通过加载电信号可以实现对神经元中的尖峰动力学模拟，随后通过在法诺激光器上施加两路可以表示比特值的电信号，通过调控选择合适的工作区域，使得逻辑运算的结果在激光器的输出中以尖峰的形式表现。
本发明模拟生物神经元动力学以实现逻辑运算的***基于法诺激光器，一方面相对于传统激光器具有更加稳定的特性，这导致通过电信号调制注入技术可使得所模拟的神经元兴奋性更加稳定，不会产生不必要的弛豫振荡现象，进而提高了信息处理的速度。
同时，在避免额外的光注入的基础上，实现了结构的简易化，尤其是在实现复杂任务的大型神经网络中。
其次，法诺激光器具有极小的体积和极低的能耗，以及更快的速度，且结构简单、成本低易于操控。
在一些实施例中，所述输入模块包括第一任意波形发生器1和第二任意波形发生器2，用于分别产生一路任意比特强度占空比可调谐的矩形输入电信号。
在一些实施例中，所述电耦合模块包括两个输入端和一个输出端，所述电耦合模块的两个输入端分别与所述第一任意波形发生器1和第二任意波形发生器2的输出端连接，所述电耦合模块耦合后的电信号加载至所述法诺激光器4，以对所述法诺激光器4进行调制。可选地，所述电耦合模块为电耦合器3。
在一些实施例中，所述输出模块还包括光谱分析仪8，所述光谱分析仪8与法诺激光器4连接，用于展示生物神经元的响应结果。
在一些实施例中，所述输出模块还包括光耦合模块，所述法诺激光器4输出的光信号通过所述光耦合模块分成两路，一路光信号通过所述光电探测器7进入示波器9，另一路光信号进入所述光谱分析仪8。可选地，所述光耦合模块为光耦合器。
在一些实施例中，本发明模拟生物神经元动力学以实现逻辑运算的***还包括温控模块，所述温控模块与所述法诺激光器连接以调节所述法诺激光器的运行温度。可选地，温控模块为温度控制器5。
本发明优选实施例还公开了一种模拟生物神经元动力学以实现逻辑运算的方法，应用于上述实施例中所述的模拟生物神经元动力学以实现逻辑运算的***，其包括以下步骤：
通过所述输入模块产生两路任意比特强度占空比可调谐的矩形输入电信号，以模拟生物神经元的刺激信号；
通过所述电耦合模块将所述两路任意比特强度占空比可调谐的矩形输入电信号耦合成一路电信号，以模拟生物神经元中的细胞体的作用；
通过所述法诺激光器对耦合后的电信号做出相应的激光响应，以模拟生物神经元对刺激做出反应的现象；
通过示波器将所述法诺激光器做出的激光响应以时序形式展现；
通过控制输入电信号的强度来调控工作区域，使得逻辑运算的结果在激光响应中以尖峰的形式表现。
根据激光器神经元动力学的响应特性，其存在一定的响应阈值。其中，所述通过控制输入电信号的强度来调控工作区域，包括：
通过控制输入比特“1”的信号表示强度，控制工作区域为“OR”或者“AND”，当表示输入比特“1”的信号强度小于1/2阈值强度大小时为“AND”工作区域，当表示输入比特“1”的信号强度高于1/2阈值强度大小时工作在“OR”区域。
基于振荡条件下稳态解的泰勒展开，结合时间耦合模方程，可以很容易地推导出法诺激光器的非线性动力学，通过数值仿真模拟了所述的法诺激光器速率方程如下：
Figure BDA0003585446090000071
Figure BDA0003585446090000072
Figure BDA0003585446090000073
Figure BDA0003585446090000074
其中，A+(t)，A-(t)分别表示激光腔中复电场的右传播包络场和左传播包络场，N(t),Nc(t)分别为激光腔和纳米腔中的平均载流子密度，α为线宽增强因子,Γ为光场限制因子，ΓC为纳米腔场限制因子，γL为光在激光腔中往返时间的倒数其值为γL＝vg/(2L),其中vg为群速度其与光子晶体的群速度折射率ng有关(vg＝c/ng),gN为微分增益，Ns为稳态载流子密度，N0为透明载流子密度，δc＝ωc-ω+Δωc为纳米腔场与激光腔的频率失谐其中Δωc为纳米腔场频率随时间的偏移。Rp为携带输入信号的泵浦速率，γT为总的衰减速率，τs和τc分别为波导和纳米腔的中的载流子寿命，σs和ρ分别和激光腔以及纳米腔中的光子数有关。仿真中各参数取值为：L＝5μm,A＝0.21μm2，λ0＝1554nm，Γ＝5，ΓC＝0.3，α＝1，QT＝500，Qi＝14300，Qp＝10000，n＝ng＝3.5，gN＝5×10-20m2，N0＝1×1024m-3，τs＝τc＝0.5ns，VNC＝0.24μm3。
从图2(a)中尖峰发射速率随输入强度的变化曲线，可以看出，通过控制强度可以得到任意频率的尖峰这与1类神经元动力学相似，从图2(b)和(c)中可以看出，其还可以模拟兴奋性以及抑制性，图2(d)描述了对应的3类神经元动力学特性。
图3为基于本发明方法及装置实现的“与”运算结果，图4中则为相应的“或”运算结果，从图中可以看出在相应的双比特逻辑运算中对于运算结果应为“1”的在相应的时序中会以一个尖峰的形式展示，相反对于运算结果应为“0”的在相应的时序中则不会产生尖峰响应。
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.模拟生物神经元动力学以实现逻辑运算的***，其特征在于，包括：
输入模块，用于产生两路任意比特强度占空比可调谐的矩形输入电信号，以模拟生物神经元的刺激信号；
电耦合模块，与所述输入模块连接，所述电耦合模块用于将所述两路任意比特强度占空比可调谐的矩形输入电信号耦合成一路电信号，以模拟生物神经元中的细胞体的作用；
激光响应模块，包括法诺激光器，所述法诺激光器的输入端与所述电耦合模块的输出端连接，所述法诺激光器用于对耦合后的电信号做出相应的激光响应，以模拟生物神经元对刺激做出反应的现象；
输出模块，包括光电探测器和示波器，所述示波器通过所述光电探测器与法诺激光器连接，以将所述法诺激光器做出的激光响应以时序形式展现；
通过控制输入电信号的强度来调控工作区域，使得逻辑运算的结果在激光响应中以尖峰的形式表现。
2.如权利要求1所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，所述输入模块包括第一任意波形发生器和第二任意波形发生器，用于分别产生一路任意比特强度占空比可调谐的矩形输入电信号。
3.如权利要求2所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，所述电耦合模块包括两个输入端和一个输出端，所述电耦合模块的两个输入端分别与所述第一任意波形发生器和第二任意波形发生器的输出端连接，所述电耦合模块耦合后的电信号加载至所述法诺激光器，以对所述法诺激光器进行调制。
4.如权利要求3所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，所述电耦合模块为电耦合器。
5.如权利要求1所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，所述输出模块还包括光谱分析仪，所述光谱分析仪与法诺激光器连接，用于展示生物神经元的响应结果。
6.如权利要求5所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，所述输出模块还包括光耦合模块，所述法诺激光器输出的光信号通过所述光耦合模块分成两路，一路光信号通过所述光电探测器进入示波器，另一路光信号进入所述光谱分析仪。
7.如权利要求6所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，所述光耦合模块为光耦合器。
8.如权利要求1所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，还包括温控模块，与所述法诺激光器连接以调节所述法诺激光器的运行温度。
9.模拟生物神经元动力学以实现逻辑运算的方法，应用于如权利要求1-8任一所述的模拟生物神经元动力学以实现逻辑运算的***，其特征在于，包括以下步骤：
通过所述输入模块产生两路任意比特强度占空比可调谐的矩形输入电信号，以模拟生物神经元的刺激信号；
通过所述电耦合模块将所述两路任意比特强度占空比可调谐的矩形输入电信号耦合成一路电信号，以模拟生物神经元中的细胞体的作用；
通过所述法诺激光器对耦合后的电信号做出相应的激光响应，以模拟生物神经元对刺激做出反应的现象；
通过示波器将所述法诺激光器做出的激光响应以时序形式展现；
通过控制输入电信号的强度来调控工作区域，使得逻辑运算的结果在激光响应中以尖峰的形式表现。
10.如权利要求9所述的模拟生物神经元动力学以实现逻辑运算的方法，其特征在于，所述通过控制输入电信号的强度来调控工作区域，包括：
通过控制输入比特“1”的信号表示强度，控制工作区域为“OR”或者“AND”，当表示输入比特“1”的信号强度小于1/2阈值强度大小时为“AND”工作区域，当表示输入比特“1”的信号强度高于1/2阈值强度大小时工作在“OR”区域。
CN202210361462.0A 2022-04-07 2022-04-07 模拟生物神经元动力学以实现逻辑运算的***及方法 Active CN114757344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210361462.0A CN114757344B (zh) 2022-04-07 2022-04-07 模拟生物神经元动力学以实现逻辑运算的***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210361462.0A CN114757344B (zh) 2022-04-07 2022-04-07 模拟生物神经元动力学以实现逻辑运算的***及方法

Publications (2)

Publication Number Publication Date
CN114757344A CN114757344A (zh) 2022-07-15
CN114757344B true CN114757344B (zh) 2022-11-25

Family

ID=82329017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210361462.0A Active CN114757344B (zh) 2022-04-07 2022-04-07 模拟生物神经元动力学以实现逻辑运算的***及方法

Country Status (1)

Country Link
CN (1) CN114757344B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310267B (zh) * 2022-11-24 2024-07-23 苏州大学 一种图像处理装置及其处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015057302A2 (en) * 2013-10-17 2015-04-23 Qualcomm Incorporated Congestion avoidance in networks of spiking neurons
CN109297934A (zh) * 2018-10-09 2019-02-01 中国地质大学（武汉） 一种测量Fano共振传感器检测极限的装置及方法
CN112101517A (zh) * 2020-08-04 2020-12-18 西北师范大学 基于分段线性脉冲神经元网络的fpga实现方法
CN112180653A (zh) * 2020-10-14 2021-01-05 兰州大学 一种基于光学模式的异或和同或逻辑运算单元

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10552731B2 (en) * 2015-12-28 2020-02-04 International Business Machines Corporation Digital STDP synapse and LIF neuron-based neuromorphic system
US11703800B2 (en) * 2018-03-21 2023-07-18 The Board Of Trustees Of The Leland Stanford Junior University Methods for temporal and spatial multiplexing of spatial light modulators and systems for same
CN111832721A (zh) * 2019-04-15 2020-10-27 香港科技大学 全光学神经网络

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015057302A2 (en) * 2013-10-17 2015-04-23 Qualcomm Incorporated Congestion avoidance in networks of spiking neurons
CN109297934A (zh) * 2018-10-09 2019-02-01 中国地质大学（武汉） 一种测量Fano共振传感器检测极限的装置及方法
CN112101517A (zh) * 2020-08-04 2020-12-18 西北师范大学 基于分段线性脉冲神经元网络的fpga实现方法
CN112180653A (zh) * 2020-10-14 2021-01-05 兰州大学 一种基于光学模式的异或和同或逻辑运算单元

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Demonstration of a self-pulsing photonic crystal Fano laser;Yi Yu 等;《Nature Photonics》;20161212;81-84 *

Also Published As

Publication number Publication date
CN114757344A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
Peng et al. Neuromorphic photonic integrated circuits
Hejda et al. Neuromorphic encoding of image pixel data into rate-coded optical spike trains with a photonic VCSEL-neuron
CN114757344B (zh) 模拟生物神经元动力学以实现逻辑运算的***及方法
Hejda et al. Resonant tunneling diode nano-optoelectronic excitable nodes for neuromorphic spike-based information processing
CN107808192A (zh) 一种两个互耦VCSELs光子神经间可控的抑制spiking信号的传输结构
CN114325932B (zh) 一种片上集成的全光神经网络光计算芯片
Xiang et al. Photonic integrated neuro-synaptic core for convolutional spiking neural network
Wu et al. Photonic bayesian neural network using programmed optical noises
Han et al. Pattern recognition in multi-synaptic photonic spiking neural networks based on a DFB-SA chip
CN112560288A (zh) 一种基于光泵自旋vcsel的储备池计算装置
Qu et al. Photonic generation of microwave waveform using delay feedback photonic reservoir computing system with SOA
Song et al. Experimental demonstration of photonic spike-timing-dependent plasticity based on a VCSOA
CN214376455U (zh) 一种基于光泵自旋vcsel的储备池计算装置
Guo et al. End-to-end optical backpropagation for training neural networks
Han et al. yExperimental demonstration of delay-weight learning and pattern classification with a FP-SA-based photonic spiking neuron chip
Zhang et al. BP-based supervised learning algorithm for multilayer photonic spiking neural network and hardware implementation
Zhang et al. Spiking information processing in a single photonic spiking neuron chip with double integrated electronic dendrites
Guo et al. Hardware implementation of multi-layer photonic spiking neural network with three cascaded photonic spiking neurons
Tselios et al. Neuromorphic XOR operation using QD spin-VCSEL neuron
Héroux et al. High Density Multi-Chip Module for Photonic Reservoir Computing
Lu et al. Laser energy prediction with ensemble neural networks for high-power laser facility
CN115145535B (zh) 一种基于自旋垂直腔面发射激光器的深度储备池计算***及方法
CN112767501B (zh) 一种基于电控刺激下vcsel-sa的图像识别***及方法
CN117669649B (zh) 深度时延储备池计算***
Robertson Neuromorphic photonic systems with lasers

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant