[go: up one dir, main page]

TWI775395B - 光學神經模擬裝置 - Google Patents

光學神經模擬裝置 Download PDF

Info

Publication number
TWI775395B
TWI775395B TW110114248A TW110114248A TWI775395B TW I775395 B TWI775395 B TW I775395B TW 110114248 A TW110114248 A TW 110114248A TW 110114248 A TW110114248 A TW 110114248A TW I775395 B TWI775395 B TW I775395B
Authority
TW
Taiwan
Prior art keywords
photodetectors
waveguide structure
coupled
circuit element
current
Prior art date
Application number
TW110114248A
Other languages
English (en)
Other versions
TW202147564A (zh
Inventor
阿希爾斯 Ｒ 加史瓦
艾雅 普凡努模提爾 雅各
卞宇生
米歇爾 拉可斯基
Original Assignee
美商格芯（美國）集成電路科技有限公司
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 美商格芯（美國）集成電路科技有限公司 filed Critical 美商格芯（美國）集成電路科技有限公司
Publication of TW202147564A publication Critical patent/TW202147564A/zh
Application granted granted Critical
Publication of TWI775395B publication Critical patent/TWI775395B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G06N3/0675—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10F—INORGANIC SEMICONDUCTOR DEVICES SENSITIVE TO INFRARED RADIATION, LIGHT, ELECTROMAGNETIC RADIATION OF SHORTER WAVELENGTH OR CORPUSCULAR RADIATION
    • H10F39/00—Integrated devices, or assemblies of multiple devices, comprising at least one element covered by group H10F30/00, e.g. radiation detectors comprising photodiode arrays
    • H10F39/10—Integrated devices
    • H10F39/103—Integrated devices the at least one element covered by H10F30/00 having potential barriers, e.g. integrated devices comprising photodiodes or phototransistors
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10F—INORGANIC SEMICONDUCTOR DEVICES SENSITIVE TO INFRARED RADIATION, LIGHT, ELECTROMAGNETIC RADIATION OF SHORTER WAVELENGTH OR CORPUSCULAR RADIATION
    • H10F39/00—Integrated devices, or assemblies of multiple devices, comprising at least one element covered by group H10F30/00, e.g. radiation detectors comprising photodiode arrays
    • H10F39/10—Integrated devices
    • H10F39/107—Integrated devices having multiple elements covered by H10F30/00 in a repetitive configuration, e.g. radiation detectors comprising photodiode arrays
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10F—INORGANIC SEMICONDUCTOR DEVICES SENSITIVE TO INFRARED RADIATION, LIGHT, ELECTROMAGNETIC RADIATION OF SHORTER WAVELENGTH OR CORPUSCULAR RADIATION
    • H10F77/00—Constructional details of devices covered by this subclass
    • H10F77/40—Optical elements or arrangements
    • H10F77/407—Optical elements or arrangements indirectly associated with the devices
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10F—INORGANIC SEMICONDUCTOR DEVICES SENSITIVE TO INFRARED RADIATION, LIGHT, ELECTROMAGNETIC RADIATION OF SHORTER WAVELENGTH OR CORPUSCULAR RADIATION
    • H10F77/00—Constructional details of devices covered by this subclass
    • H10F77/95—Circuit arrangements
    • H10F77/953—Circuit arrangements for devices having potential barriers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Optical Integrated Circuits (AREA)
  • Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)

Abstract

本發明係關於半導體結構，尤其關於光學神經模擬裝置及其製造方法。該結構包括：多個光偵測器和電路元件，其中該電路將從該光偵測器產生的光電流轉換為電流，然後將該電流加總以模擬神經功能。

Description

光學神經模擬裝置
本發明有關於半導體結構，且尤其是有關於光學神經模擬裝置與製造方法。
神經模擬智慧，也稱為神經形態計算（neuromorphic computing），是一種人工智慧，其中計算系統應用神經處理的基本概念來構建智慧型系統。當前的人工智慧系統很慢，因為其嚴重依賴操作頻率在GHz範圍內的電子電路。
傳統的光子裝置（photonic device）用於光子學功能，並且最近已開始實現於光學神經模擬裝置。光子系統的工作速度比電子電路快得多，例如，光子系統可進行THz操作。然而，光子系統並不「智慧」，大多數為資料接收和傳輸單元。此外，使用傳統光子裝置進行人工智慧（AI）計算的工作具有低動態範圍，例如，無法根據需要增加動態範圍和「調整」。因此，這些系統的控制有限。整流線性單元（Rectified Linear Unit，ReLU）功能是實現神經網路的關鍵功能，在光子裝置中也很難實現。
在本發明一樣態中，多個光偵測器和電路元件（electrical circuitry）將從光偵測器產生的光電流轉換為電流，然後將電流加總以模擬神經功能。
在本發明一樣態中，一種結構包括：一波導結構；多個光偵測器，其耦接至該波導結構，每一光偵測器能夠從該波導結構接收作為輸入的光來產生一光電流；以及一電路元件，其耦接至該多個光偵測器中每一個別光偵測器，該電路元件將該光電流轉換為電流，然後加總該電流以提供一Sigmoid或整流線性單元（ReLU）神經傳遞功能（neural transfer function）。
在本發明一樣態中，一種方法包括：通過多個光偵測器產生一光電流；將該多個光偵測器的每一光電流轉換成一電流；以及加總從每一光電流轉換而來的每一電流，並將每一電流的總和輸出為一Sigmoid或整流線性單元（ReLU）神經網路功能。
本發明係關於半導體結構，尤其關於光學神經模擬裝置及其製造方法。更具體地，本發明係關於用於光子人工智慧應用的光學神經模擬裝置及製造方法。有利地，本發明提供改進的性能、準確度和頻寬，具有受控的高動態範圍和易於調整的能力。此外，光學神經模擬裝置可很容易地與其他電子和光子神經網路整合在一起。
更具體地，本發明提出複合式光子電子神經元，其可模擬具有高可調動態範圍的ReLU和sigmoid神經元（例如，神經功能）之行為。例如，複合式光子電子神經元提供可很容易由多個光偵測器控制的動態範圍。這避免已知裝置面臨的主要挑戰，這些裝置已知飽和並且ReLU功能的動態範圍有限。在具體實施例中，光子結構將形成具有整合波導、微環調變器和/或偵測器的sigmoid或ReLU或sigmoid神經網路。光子結構也可提供於電子裝置和其他光子組件的單層整合中。
本發明的光學神經模擬裝置可用許多不同工具以許多方式來製造。一般來說，該等方法與工具用來形成尺寸為毫米與奈米等級的結構。用來製造本發明中該堆疊閘極電晶體的該等方法，即技術，採用積體電路（IC，integrated circuit）技術，例如：這些結構建立在晶圓上，並且通過在晶圓頂部上以光微影蝕刻製程來製作圖案的材料膜來實現。尤其是，光學神經模擬裝置的製造使用三種基本構件：(i)將材料薄膜沉積在一基材上，(ii)利用光微影蝕刻成像將一製圖光罩應用於該等薄膜頂端上，以及(iii)選擇地將該等薄膜蝕刻至該光罩。
圖1顯示根據本發明態樣的一光學神經模擬裝置。更具體地，圖1中所示光學神經模擬裝置10a包括多個不同長度的波導結構16a、16b和16c，其耦接在多模干涉（multi-mode interference，MMI）耦合器12與個別光偵測器18a、18b、18c之間，例如在光射出的一端上。在具體實施例中，光偵測器18a、18b、18c可以本領域已知的任何常規方式耦接至波導結構16a、16b和16c，從而為了完全理解本發明，這裡不需要進一步解釋。光偵測器18a、18b、18c產生光電流，然後將其輸入到電路20中。並且，如圖1所示，然後將電路20的每個輸出相加，以提供如參考編號14所示的ReLu函數，例如輸出電流將隨著光亮度（light intensity）提高而線性增加。
波導結構16a、16b和16c具有以下長度：16a＜16b＜16c。此外，雖然顯示具有不同長度的三個波導結構16a、16b和16c，但本發明假設任意數量N+1個不同長度的波導結構，每一結構將來自外部來源的光引導至其各自的光偵測器。並且，通過調整不同長度的波導結構數量，現在可輕易調整或控制如本文所述的光學神經模擬裝置10a之動態範圍。這避免已知光學神經模擬裝置面臨的主要挑戰，這些裝置已知飽和並且ReLU功能的動態範圍有限。
仍然參考圖1並且通過更具體的範例，已耦接至最短波導結構16a的第一光偵測器18a將接收光並產生光電流。然後將該光電流輸入到將產生並輸出電流的電路20中。當第一光偵測器18a和相關電路20飽和時（在達到其光吸收/轉換極限之後），已耦接至波導結構16b的第二光偵測器18b將接收任何剩餘的光並產生光電流，然後將其輸入到其各自電路20內。電路20將產生並輸出電流。這個過程將繼續，直到所有的光都由各個電路吸收並轉換成電流。或者，任何漏過波導結構16a的光都可由下游光偵測器18b、18c等所吸收。在這些情況下，進入系統的所有光將由各個電路20轉換成電信號，然後將其相加以提供高動態範圍給ReLU功能，例如，輸出電流將隨著光亮度提高而線性增加，如參考編號14所示。此外，如果由於較高光亮度或較低光亮度而需要進一步調整裝置，則可添加或減去波導結構和個別的光偵測器。
在具體實施例中，波導結構16a、16b和16c之每一者以及MMI耦合器12都可使用傳統微影、蝕刻和沈積方法由半導體材料製成，如此為了完全理解本發明，在此不需進一步解釋。在較佳具體實施例中，波導結構16a、16b和16c以及MMI耦合器12都可由Si材料製成；儘管本文也考慮其他半導體材料。例如，半導體材料可由任何合適的材料構成，包含但不受限於Si、SiGeC、SiC、GaAs、InAs、InP以及其他III/V或II/VI族複合半導體。此外，光偵測器18可由不同於波導結構16a、16b、16c的材料所構成之任何常規光偵測器。例如，光偵測器18可為具有或不具有氮化物襯墊，並且嵌入在波導結構16a、16b、16c的半導體材料之內或在半導體材料的表面之上的SiGe材料。
圖2顯示與本文所描述任何具體實施例的光子裝置（光學裝置）一起使用之電路20。如圖所示，電路20包括與放大器23和電晶體25串聯的二極體21。在具體實施例中，放大器23為選配。電晶體25可為PMOS或NMOS，由Vdd預充電。在操作中，每個光偵測器將產生輸入到其各自電路20的光電流，並且借助於預充電，各自電路20將一電流放電。在具體實施例中，放大器23可放大由光偵測器提供的光電流。然後可以將每個電路20的電流相加以提供ReLU功能，例如，輸出電流將隨著光亮度提高而線性增加，如圖1的參考編號14所示。
圖3顯示一線性光學神經模擬裝置10b，其具有沿其長度耦接至單一波導結構16的多個光偵測器18a、18b、18c、18d。在此具體實施例中，光偵測器18a、18b、18c、18d之每一者都可具有相同的尺寸，例如長度；儘管如關於圖4和圖5所討論的，本文另假設不同尺寸的光偵測器。而且，如在每一具體實施例中，光偵測器18a、18b、18c、18d已耦接至個別的電路20。精通技術人士另應理解，如在每一具體實施例中，根據期望的頻率範圍，本文中預期使用任何數量的N+1個光偵測器。
在圖3的組態中，已耦接至波導結構16的光偵測器18a將接收光並產生光電流，以輸入到其個別的電路20中。然後電路20將從光電流產生電流。任何漏過光偵測器18a或當光偵測器18a變得飽和時的光，將進入下一個光偵測器18b。然後光偵測器18b將產生光電流，該光電流輸入到其個別的電路20中，以將光電流轉換成電流。此相同程序將繼續直到所有剩餘光都被吸收，例如被光偵測器18d吸收（如果有足夠的光可用）。如此，進入波導結構16的所有光對電信號有所貢獻，該電信號將加總以提供用於ReLU功能的動態範圍。
圖4顯示一線性光學神經模擬裝置10c，其具有沿其長度耦接至線性波導結構16的多個光偵測器18a'、18b'、18c'、18d'。而且，每一光偵測器18a'、18b'、18c'、18d'都已耦接至個別的電路20。在此組態中，光偵測器的長度如下：18a’＞18b’＞18c’＞18d’。如精通技術人士應理解，根據光亮度，較長的光偵測器將比較短的光偵測器吸收更多的光，大部分光都可由光偵測器18a’吸收。
在圖4的組態中，光偵測器18a將接收光並產生光電流，以輸入到其個別的電路20中。然後電路20將從光電流產生電流。任何漏過光偵測器18a’或當光偵測器18a變得飽和時的光，將進入下一個光偵測器18b’。然後光偵測器18b’將產生光電流，該光電流輸入到其個別的電路20中，以將光電流轉換成電流。此相同程序將繼續直到所有剩餘光都被吸收，例如被光偵測器18d’吸收（如果有足夠的光可用）。如此，進入波導結構16的所有光對電信號有所貢獻，該電信號將加總以提供用於ReLU功能的動態範圍。
圖5另顯示一線性光學神經模擬裝置10d，其具有沿其長度耦接至單一波導結構16的多個光偵測器18a'、18b'、18c'、18d'，其長度不同，例如18a'＞18b'＞18c'＞18d'。如圖4內所示的具體實施例，光偵測器18a'、18b'、18c'、18d'之每一者都耦接至個別的電路20；然而，在此組態中，最小（例如，最短）光偵測器18d'現在最靠近光輸入，而連續光偵測器18c'、18b'、18a'則按順序耦接至波導結構16。線性光學神經模擬裝置10d的操作類似於圖4所描述的操作，應理解光偵測器18d'將部分吸收入射光，可能導致下游光偵測器18a、18b'、18c'之一或多者接收額外的光，以產生光電流並有助於電信號，然後該電信號將加總以提供用於ReLU功能的動態範圍。
圖6顯示具有替代電路元件20a1、20a2、20a3、20a4的光學神經模擬裝置10e，其包括個別的電晶體25a、25b、25c、25d。在此具體實施例中，各個電晶體25a、25b、25c、25d各自具有不同的面積（W/L）。更具體地，在此具體實施例中，離光源越遠的每一連續電晶體25a、25b、25c、25d將具有更大的面積，L4＞L3＞L2＞L1。如此，每一電路元件20a1、20a2、20a3、20a4都可產生更大的電流，其各自的光偵測器18a、18b、18c、18d之光吸收減少。儘管未示出，但也應理解，電路元件可包括二極體。
圖7顯示具有替代電路元件20b1、20b2、20b3、20b4的光學神經模擬裝置10f。除了具有關於圖6所示不同面積之外，每一電路元件20b1、20b2、20b3、20b4另包括串聯設置的兩電晶體25、27。在此組態中，電晶體27可通過施加輸入電壓，例如1V或0V，來導通和截止，以調整該裝置。例如，以1V的輸入電壓導通電晶體27，將使來自各個光偵測器18b、18c的光電流能夠用於該加總程序；而輸入電壓0V將截止來自各個光偵測器18a、18d的光電流用於該加總程序。如此，光學神經模擬裝置10f提供具有增加動態範圍的進一步可調性。請注意，針對一特定具體實施例，可停用第一個分支20b1和最後分支20b4，從而模擬另一個重要的神經傳遞（neural transfer），即以14a顯示的sigmoid函數。應當理解，光偵測器18a、18b、18c、18d之任一者都可開啟和關閉，並且圖7中提供的信號用於說明性而非限制性。
圖8顯示具有可調電流反射器電路20c的一光學神經模擬裝置10g。在此實施方式中，穿過波導16的光部分由光偵測器18吸收，產生光電流（ipd1...x）。光電流可由可調電流反射器（tunable current mirror）20c放大，產生幾乎任何電流值(i1，...x)。如前所述，所有電流值都可相加，通過調節電流反射器20c來調整該電輸出。
圖9顯示具有耦合器22的一光學神經模擬裝置10h。在此實施方式中，通過波導結構16的光在定向耦合器或絕熱耦合器22的幫助下，部分耦接至個別的光偵測器18。在具體實施例中，波導結構16和耦合器22之間的相互作用係根據漸逝耦合(evanescent coupling)，不過耦合器22和光偵測器18之間的相互作用也可利用漸逝耦合或對接端耦合(butt-end coupling)。
圖10顯示具有環諧振器24的一光學神經模擬裝置10i。在此實施方式中，環諧振器24為微光學環諧振器，其耦接在波導結構16與個別的光偵測器18a、18b、18c、18d之間。精通技術人士應理解，環諧振器24是一組波導，其中至少一個為耦接到光輸入(例如波導結構16)和輸出(例如光偵測器)的封閉環。當諧振波長的光從輸入波導結構16穿過環路時，由於結構性干涉，使其在多次往返中增強強度並輸出到光偵測器。因為只有選定的少數波長會在環路內諧振，所以光學環諧振器當成濾波器。此外，兩或多個環波導可相互耦接，以形成塞取濾光器。
圖11A-11D顯示可用根據本發明不同態樣的光學神經模擬裝置實現之替代電路元件。更具體來說，圖11A顯示差分運算放大器，圖11B顯示積分運算放大器，圖11C顯示微分運算放大器，圖11D顯示加總運算放大器。通過使用這些不同的運算放大器，可進行額外的運算，例如在處理電壓時(例如，加總、減法、積分和微分)。
光學神經模擬裝置可用於晶片上系統(SoC)技術。精通技術人士應理解，SoC是將電子系統的所有組件整合在單一晶片或基板上的積體電路(也稱為「晶片」)。由於組件整合在單一基板上，與具有同等功能的多晶片設計相比，SoC消耗的功率和占用的面積要少得多。因此，SoC正成為行動計算(例如智慧型手機)和邊緣計算市場的主導力量。SoC也常用於嵌入式系統和物聯網。
上述該(等)方法用於積體電路晶片製造。結果積體電路晶片可由製造廠以原始晶圓形式（也就是具有多個未封裝晶片的單一晶圓）、當成裸晶粒或已封裝形式來散佈。在後者案例中，晶片固定在單晶片封裝內（像是塑膠載體，具有導線黏貼至主機板或其他更高層載體）或固定在多晶片封裝內（像是一或兩表面都具有表面互連或內嵌互連的陶瓷載體）。然後在任何案例中，晶片與其他晶片、離散電路元件以及/或其他信號處理裝置整合成為(a)中間產品，像是主機板，或(b)末端產品。末端產品可為包括積體電路晶片的任何產品，範圍從玩具與其他低階應用到具有顯示器、鍵盤或其它輸入裝置以及中央處理器的進階電腦產品。
許多本發明具體實施例的描述已經為了說明而呈現，但非要將本發明受限在所公布形式中。在不脫離所描述具體實施例之範疇與精神的前提下，所屬技術領域中具有通常知識者將瞭解許多修正例以及變化例。本文內使用的術語係為了能最佳解釋具體實施例的原理、市場上所發現技術的實際應用或技術改進，或可讓所屬技術領域中具有通常知識者能理解本文所揭示的具體實施例。
10a、10b、10c、10d、10e、10f、10g、10h:光學神經模擬裝置 12:多模干涉耦合器 14:ReLu功能 16a、16b、16c:波導結構 18a、18b、18c、18d、18a’、18b’、18c’、18d’:光偵測器 20:電路 20a1、20a2、20a3、20a4、20b1、20b2、20b3、20b4:電路元件 20c:可調電流反射器 21:二極體 22:耦合器 23:放大器 24:環諧振器 25、25a、25b、25c、25d、27:電晶體
利用本發明示範具體實施例的非限制範例，參考提及的許多圖式，從下列詳細描述當中描述本發明。
圖1顯示根據本發明態樣的一光學神經模擬裝置。
圖2顯示根據本發明態樣的與光子裝置（光學裝置）一起使用之電路。
圖3顯示根據本發明態樣的一線性光學神經模擬裝置。
圖4顯示根據本發明態樣的具有不同尺寸之光子裝置的一線性光學神經模擬裝置。
圖5顯示根據本發明另一態樣的具有不同尺寸之光子裝置的一線性光學神經模擬裝置。
圖6顯示根據本發明態樣的具有替代電路元件的一光學神經模擬裝置。
圖7顯示根據本發明另一態樣的具有替代電路元件的一光學神經模擬裝置。
圖8顯示根據本發明態樣的具有可調電流反射器的一光學神經模擬裝置。
圖9顯示根據本發明態樣的具有定向耦合器的一光學神經模擬裝置。
圖10顯示根據本發明態樣的具有環諧振器的一光學神經模擬裝置。
圖11A-11D顯示可用根據本發明不同態樣的光學神經模擬裝置實現之替代電路元件。
10a:光學神經模擬裝置
12:多模干涉耦合器
14:ReLu功能
16a、16b、16c:波導結構
18a、18b、18c:光偵測器
20:電路

Claims (18)

  1. 一種半導體結構，包括：一波導結構；多個光偵測器，其耦接至該波導結構；以及一電路元件，其耦接至該多個光偵測器，其中該電路元件將從該等光偵測器產生的光電流轉換為電流，然後將該電流加總以模擬神經功能；其中該波導結構包括多個不同長度的分支，並且每一分支在末端耦接至該多個光偵測器的個別一者。
  2. 一種半導體結構，包括：一波導結構；多個光偵測器，其耦接至該波導結構；以及一電路元件，其耦接至該多個光偵測器，其中該電路元件將從該多個光偵測器產生的光電流轉換為電流，然後將該電流加總以模擬神經功能；其中該多個光偵測器沿該波導結構的一長度排列。
  3. 如請求項1或2之結構，其中該神經傳遞功能的模仿是一Sigmoid或整流線性單元(ReLU)輸出。
  4. 如請求項2之結構，其中該多個光偵測器之每一者具有不同長度。
  5. 如請求項4之結構，其中該多個光偵測器之每一者的長度沿著該波導結構的長度隨其移動遠離該波導結構的一輸入而增加或減小。
  6. 如請求項1或2之結構，其中該多個光偵測器通過多個定向耦合器或多個絕熱耦合器或多個環諧振器，耦接至該波導結構。
  7. 如請求項1或2之結構，其中該多個光偵測器通過漸逝耦合或對接端耦合，耦接至該波導結構。
  8. 如請求項1或2之結構，其中該電路元件為多個電路，每一電路都與該多個光偵測器中個別一者相關聯，並且比起一先前放置電路，每一連續定位電路具有更大的一電晶體。
  9. 如請求項8之結構，其中該電路元件包括一第二電晶體，該第二電晶體組態成允許或防止該光電流用於產生由該電路元件輸出的電流。
  10. 如請求項1或2之結構，其中該電路元件為多個可調電流反射器。
  11. 一種半導體結構，包括：一波導結構；多個光偵測器，其耦接至該波導結構，每一光偵測器能夠從該波導結構接收作為輸入的光來產生一光電流；以及一電路元件，其耦接至該多個光偵測器中每一個別光偵測器，該電路元件將該光電流轉換為電流，然後加總該電流以提供一Sigmoid或整流線性單元(ReLU)神經傳遞功能；其中該波導結構包括多個不同長度的分支，並且每一分支耦接至該多個光偵測器的個別一者。
  12. 一種半導體結構，包括：一波導結構；多個光偵測器，其耦接至該波導結構，每一光偵測器能夠從該波導結構接收作為輸入的光來產生一光電流；以及一電路元件，其耦接至該多個光偵測器中每一個別光偵測器，該電路元件將該光電流轉換為電流，然後加總該電流以提供一Sigmoid或整流線性單元(ReLU)神經傳遞功能；其中該多個光偵測器沿該波導結構的一長度排列。
  13. 如請求項12之結構，其中該多個光偵測器之每一者具有不同長度，其沿著該波導結構的長度隨該等光偵測器移動遠離該波導結構的一輸入而增加或減小。
  14. 如請求項11或12之結構，其中該多個光偵測器通過多個定向耦合器或多個絕熱耦合器或多個環諧振器，耦接至該波導結構。
  15. 如請求項11或12之結構，其中該電路元件為多個電路，每一電路都與該多個光偵測器中個別一者相關聯，並且比起一先前放置電路，每一連續定位電路具有更大的一電晶體。
  16. 如請求項15之結構，其中該電路元件包括一第二電晶體，該第二電晶體組態成允許或防止該光電流用於產生由該電路元件輸出的電流。
  17. 如請求項11或12之結構，其中該電路元件為多個可調電流反射器。
  18. 一種電路運作的方法，包括：通過多個光偵測器產生一光電流，其輸入至一個別的電路；將該多個光偵測器的每一光電流轉換成一電流並且借助由Vdd的一預充電而將該電流放電；以及加總從每一光電流轉換而來的每一電流，並將每一電流的總和輸出為一Sigmoid或整流線性單元(ReLU)神經網路功能。
TW110114248A 2020-05-21 2021-04-21 光學神經模擬裝置 TWI775395B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/880,253 US11537866B2 (en) 2020-05-21 2020-05-21 Optical neuro-mimetic devices
US16/880,253 2020-05-21

Publications (2)

Publication Number Publication Date
TW202147564A TW202147564A (zh) 2021-12-16
TWI775395B true TWI775395B (zh) 2022-08-21

Family

ID=78408694

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110114248A TWI775395B (zh) 2020-05-21 2021-04-21 光學神經模擬裝置

Country Status (4)

Country Link
US (1) US11537866B2 (zh)
CN (1) CN113705804B (zh)
DE (1) DE102021110182A1 (zh)
TW (1) TWI775395B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190311256A1 (en) * 2018-04-06 2019-10-10 Universal Display Corporation Hybrid neuromorphic computing display
US20200052183A1 (en) * 2017-01-25 2020-02-13 Government Of The United States Of America, As Represented By The Secretary Of Commerce Josephson junction circuits for single-photon optoelectronic neurons and synapses

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5180911A (en) * 1991-09-03 1993-01-19 Harbor Branch Oceanographic Institution, Inc. Parameter measurement systems and methods having a neural network comprising parameter output means
WO2014066826A1 (en) * 2012-10-25 2014-05-01 Colorado State University Research Foundation Improved multi-analyte optical sensor
CN105046325B (zh) * 2015-07-06 2017-12-15 电子科技大学 一种基于类mos发光器件模拟生物神经网络的电路
EP3465302B1 (en) * 2016-06-02 2022-05-04 Massachusetts Institute of Technology Apparatus and methods for optical neural network
WO2019014345A1 (en) * 2017-07-11 2019-01-17 Massachusetts Institute Of Technology OPTICAL ISING MACHINES AND OPTICAL CONVOLUTIVE NEURAL NETWORKS
US10509167B2 (en) * 2018-04-23 2019-12-17 Hewlett Packard Enterprise Development Lp Optical phase difference calculation using analog processing
US11507818B2 (en) * 2018-06-05 2022-11-22 Lightelligence PTE. Ltd. Optoelectronic computing systems
US10830638B2 (en) * 2018-06-22 2020-11-10 Ciena Corporation Photodetector circuit with improved saturation current and integrated optical filtering
US10627849B1 (en) * 2018-10-08 2020-04-21 The Aerospace Corporation Reservoir computing operations using multi-mode photonic integrated circuits
CN109784486B (zh) * 2018-12-26 2021-04-23 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法
US11137283B2 (en) * 2019-05-03 2021-10-05 Intel Corporation Photonic apparatus with bias control to provide substantially constant responsivity of a photodetector
US11513285B2 (en) * 2020-01-08 2022-11-29 Avicenatech Corp. Packaging for microLEDs for chip to chip communication
US11817903B2 (en) * 2020-08-06 2023-11-14 Celestial Ai Inc. Coherent photonic computing architectures

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200052183A1 (en) * 2017-01-25 2020-02-13 Government Of The United States Of America, As Represented By The Secretary Of Commerce Josephson junction circuits for single-photon optoelectronic neurons and synapses
US20190311256A1 (en) * 2018-04-06 2019-10-10 Universal Display Corporation Hybrid neuromorphic computing display

Also Published As

Publication number Publication date
DE102021110182A1 (de) 2021-11-25
CN113705804A (zh) 2021-11-26
CN113705804B (zh) 2023-12-15
US20210365768A1 (en) 2021-11-25
US11537866B2 (en) 2022-12-27
TW202147564A (zh) 2021-12-16

Similar Documents

Publication Publication Date Title
CN114511073A (zh) 高效率光学神经网络
Zhang et al. Sagnac loop mirror and micro-ring based laser cavity for silicon-on-insulator
CN113935493A (zh) 一种基于集成光学的可编程高维量子计算芯片结构
Liang et al. Integrated green DWDM photonics for next-gen high-performance computing
CN110148877A (zh) 基于多路单模混沌激光器并联的超宽带白噪声源
Tossoun et al. Large-scale integrated photonic device platform for energy-efficient AI/ML accelerators
Xiao et al. Wavelength-parallel photonic tensor core based on multi-FSR microring resonator crossbar array
US8265433B2 (en) Low-power, broadband optical switch
TWI775395B (zh) 光學神經模擬裝置
Zhang et al. Weight Bank Addition Photonic Accelerator for Artificial Intelligence
Wang et al. An electronic-photonic converged adaptive-tuning-step pipelined time-division-multiplexing control scheme for fast and scalable wavelength locking of micro-rings
Katti et al. Analysis of serial and parallel cascaded microring resonators: an FDTD approach
US9823498B2 (en) Optical modulator with plasmon based coupling
US10113934B2 (en) Integrated photonic-mirror test circuit
TW201644190A (zh) 使用雙複製及伺服迴路以在轉阻抗放大器中進行程序和溫度補償的方法及系統
TWI427343B (zh) While running a single structure of wavelength multiplexing and light modulation
Mogami et al. High-performance optical waveguide devices using 300 mm Si photonics platform
Hsueh et al. ChatGPT at the Speed of Light: Optical Comb-Based Monolithic Photonic-Electronic Linear-Algebra Accelerators
Huang et al. Preliminary round of OPC development in 180nm node silicon photonics MPW platform
Michel et al. Advances in fully CMOS integrated photonic devices
Zhang et al. Weight bank addition photonic accelerator for artificial intelligence
Tanemura et al. Photonic integrated unitary processor based on multi-plane light conversion
Hsueh et al. Panel-Scale Reconfigurable Photonic Interconnects for Scalable AI Computation
Boeuf et al. Industrialization of Si-Photonics into a 300mm CMOS fab
Mogami et al. A 300mm Si photonics platform for multi-applications

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent