日本乱人伦片中文三区,欧美在线观看日韩欧美在线观看

《神經形態(tài)光子學》一書對神經形態(tài)計算（類腦計算）系統(tǒng)和工程及相關概念作了詳盡介紹，充分闡釋了這一技術如何將機器學習和人工智能算法以及反映其分布性質的硬件進行匹配，并對相關的概念、理論、方法進行了深入分析。

光子學讓信息通信發(fā)生了革命性的改變，但與此同時，電子學仍對信息處理起著主導作用。如今，人們一直堅定不移地對光子學和電子學在同一界面上的交集進行探索，這在一定程度上是由摩爾定律的發(fā)展所驅動的它在不斷地接近人們預料之中的終點。比如，數(shù)字處理的計算效率（每焦耳的乘積累加運算或MAC操作）已經穩(wěn)定在100 pJ/MAC左右。因此，現(xiàn)在的計算效率和下一代需求之間的差距越來越大，比方說，大數(shù)據(jù)應用是需要先進的模式匹配和實時分析大量數(shù)據(jù)作為支撐的。反過來，這使得以下方面的研究取得迅速進步： ① 稱為超越CMOS或超越摩爾的新興設備；② 稱為超越馮·諾伊曼的新型處理或非傳統(tǒng)計算架構，這種架構受到大腦啟發(fā)，即具備神經形態(tài)學特性；③ 與CMOS兼容的光子互連技術�？偟膩碚f，這些研究為可重構的新興光子硬件平臺和我們所說的可編程光子集成電路（POIC），如光子尖峰處理器，提供了機會。在不久的將來，這種芯片可以結合超快運行、中等復雜性和完全可編程性等特性，擴展應用的計算范圍，如高超聲速飛機的導航控制和射頻（RF）頻譜的實時傳感和分析。
在本書中，我們探討了這樣一個平臺的當前進展和發(fā)展需求。在光子尖峰處理器中，信息經過編碼，成為尖峰（或光脈沖）的時間和空間域中的事件。這種混合編碼方案在振幅上是數(shù)字的，但在時間上是模擬的，并得益于模擬處理的帶寬效率和對數(shù)字通信噪聲的魯棒性。光脈沖由某一類表現(xiàn)為可激發(fā)性的半導體器件接收、處理和產生一種對小擾動的全響應或無響應的非線性動力學機制。在可激發(fā)狀態(tài)下工作的光電器件在動態(tài)上類似于在神經元生物物理學中觀察到的脈沖動力學，但速度大約快8個數(shù)量級。我們稱這些器件為光子神經元或激光神經元。其中一些器件可以同時演示邏輯電平恢復、級聯(lián)性和輸入/輸出隔離，這一直是光學計算的關鍵基本障礙。
該領域的研究發(fā)展現(xiàn)正處于一個關鍵轉折點從研究單一可激發(fā)（尖峰）器件轉向研究此類器件允許建立光子尖峰處理器的互聯(lián)網絡。最近提出的一種稱為廣播和權重的片上網絡架構，可以支持使用波分復用的可激發(fā)器件之間的大規(guī)模并行（全對全）互連。
混合ⅢⅤ族化合物和硅的光子學平臺是作為集成硬件平臺的一種選擇。ⅢⅤ族化合物半導體技術，比如利用磷化銦（InP）和砷化鎵（GaAs），是一種提供如激光器、放大器和探測器等有源元件的前沿技術。同時，利用硅實現(xiàn)了與CMOS制造過程和低損耗無源元件（如波導和諧振器）的兼容性�？杉ぐl(fā)激光器的可擴展和可完全重構的可激發(fā)激光器網絡能夠應用在現(xiàn)代混合集成平臺的硅光子層上，其中鍵合InP層中的尖峰激光器通過硅層緊密連接。這樣的光子尖峰處理器將有可能支持數(shù)千個互連器件。根據(jù)預測，這種芯片的計算效率為260 fJ/MAC，在高速運行（即信號帶寬為10 GHz）時能超過能源效率壁兩個數(shù)量級。隨著光子集成電路（PIC）性能和規(guī)模的提高，光子脈沖處理器這一新興領域受到了極大的關注并不斷發(fā)展。隨著新技術的應用（如射頻頻譜的應用）對實時、超快處理等特性的要求不斷嚴苛，我們期望這些系統(tǒng)可以在各種高性能、對時間要求嚴格的環(huán)境中發(fā)揮作用。
在本書中，我們想為這一領域提供一個完善的解決方案，從理論考量到實驗探索，從器件層面的基礎載流子和光子動力學，到系統(tǒng)層面的網絡和扇入。展望未來，我們設想人們會對設計、構建和理解用于超快信息處理的可激發(fā)元件的光子網絡產生極大興趣，其部分靈感來自于最新的大腦計算模型。小規(guī)模光子脈沖處理器的成功應用，原則上可以為建立和研究基于激光可激發(fā)性的更大規(guī)模的受大腦啟發(fā)的網絡提供基礎技術。最后，雖然這本書會吸引大多來自光子學和光學領域的讀者們，但我們希望它也將有助于促進光子學和光學、神經形態(tài)工程、信號處理這些跨學科領域之間從基本原理到實際應用等各方面的對話。

第1章神經形態(tài)工程1
1.1光子脈沖處理5
1.2神經形態(tài)架構的技術平臺6
1.3新興光子平臺面臨的挑戰(zhàn)8
1.4計算機光學簡史8
1.4.1光學邏輯8
1.4.2光學神經網絡9
1.4.3片上光網絡10
1.5應用領域10
1.5.1實時射頻處理11
1.5.2非線性規(guī)劃12
1.6本書的結構13
1.7參考文獻14
第2章脈沖處理和可激發(fā)性入門23
2.1神經網絡簡介23
2.2脈沖神經網絡25
2.3脈沖神經元模型28
2.4可激發(fā)性機制30
2.5參考文獻34
第3章光子學入門38
3.1波導38
3.1.1彎曲波導40
3.1.2波導耦合器40
3.1.3干涉儀42
3.1.4調制器43
3.1.5復用44
3.2光探測器45
3.2.1光電二極管46
3.2.2檢測噪聲48
3.3光學諧振器50
3.4激光器55
3.4.1光物質相互作用55
3.4.2ⅢⅤ平臺59
3.4.3激光動力學60
3.5參考文獻62
第4章SOA動態(tài)的脈沖處理65
4.1基于SOA的光子神經形態(tài)原語65
4.2光波神經形態(tài)電路69
4.2.1倉鸮聽覺定位算法69
4.2.2小龍蝦的翻尾逃逸反應71
4.3參考文獻73
第5章用于統(tǒng)一尖峰脈沖處理的可激發(fā)激光器76
5.1介紹76
5.2動力學模型78
5.3可激發(fā)激光系統(tǒng)81
5.4結果84
5.4.1可激發(fā)性84
5.4.2時間模式識別87
5.4.3穩(wěn)定循環(huán)電路89
5.5討論89
5.6附錄90
5.6.1光纖激光器仿真90
5.6.2集成器件仿真92
5.6.3可激發(fā)光纖環(huán)形激光腔94
5.7參考文獻94
第6章作為可激發(fā)處理器的半導體光子器件100
6.1兩端增益和SA可激發(fā)激光器101
6.2半導體環(huán)和微盤激光器106
6.2.1半導體環(huán)形激光器106
6.2.2微盤激光器110
6.3二維光子晶體納米腔115
6.4諧振隧穿二極管光探測器和激光二極管121
6.5具有延遲反饋的注入鎖定半導體激光器127
6.6半導體激光器受到光反饋的影響130
6.7極化反轉VCSEL134
6.8參考文獻137
第7章硅光子學147
7.1SOI波導148
7.2片外耦合器150
7.3調制器155
7.4探測器157
7.5混合激光源159
7.6參考文獻161
第8章可重構模擬光子網絡168
8.1廣播和權重協(xié)議169
8.2處理網絡節(jié)點169
8.2.1波分復用加權加法171
8.2.2總功率檢測172
8.2.3非線性電/光轉換173
8.3廣播環(huán)路174
8.4多重廣播環(huán)路176
8.5討論180
8.6總結181
8.7參考文獻182
第9章光子權重庫185
9.1演示188
9.2MRR權重庫的控制190
9.2.1設置和方法190
9.2.2單通道連續(xù)控制192
9.2.3多通道同步控制195
9.3MRR通道間的相干效應200
9.4光子權重庫的定量分析203
9.4.1串擾權重功率代價指標204
9.4.2權重庫通道限制207
9.5WDM加權的數(shù)學描述209
9.6可調諧波導器件的仿真技術210
9.6.1廣義傳輸理論211
9.6.2參數(shù)化傳輸模擬器215
9.7附錄：高級權重庫設計216
9.8附錄：基本微環(huán)特性217
9.8.1光學表征218
9.8.2調諧效率219
9.8.3故障表征219
9.8.4驅動器設計220
9.9參考文獻221
第10章處理網絡節(jié)點226
10.1PNN的演示226
10.2PNN的理論研究231
10.2.1電子突觸234
10.2.2激光神經元236
10.2.3討論238
10.3其他PNN的表述方式239
10.3.1O/E/O PNNs的分類239
10.3.2O/E/O和全光PNN的比較241
10.3.3全光PNNs242
10.4參考文獻245
第11章系統(tǒng)架構251
11.1廣播和加權系統(tǒng)251
11.1.1廣播拓撲251
11.1.2加權并繼續(xù)的級聯(lián)庫253
11.2延時動力學的權重庫控制255
11.3小型光子神經網絡258
11.4多重廣播環(huán)路系統(tǒng)260
11.4.1廣義接口PNN261
11.4.2作為嵌入圖的多重廣播環(huán)路262
11.4.3多重廣播環(huán)路嵌入到功能網絡的映射264
11.4.4功能網絡到多重廣播環(huán)路嵌入的映射264
11.4.5使用Nengo的設計實例267
11.4.6一般系統(tǒng)的初步結構指南268
11.5容錯性270
11.6參考文獻272
第12章神經網絡學習原理275
12.1主成分分析（PCA）276
12.1.1PCA的數(shù)學公式276
12.1.2Oja定律278
12.2獨立成分分析（ICA）279
12.3使用STDP和IP的無監(jiān)督學習283
12.3.1突觸時間依賴性的可塑性283
12.3.2內在可塑性284
12.3.3使用SDTP和IP進行獨立成分分析284
12.4光子學習電路的實驗進展286
12.4.1光子PCA286
12.4.2光子STDP288
12.5參考文獻292
第13章光子儲層計算297
13.1儲層計算297
13.1.1線性分類器和儲層298
13.1.2基于網絡的儲層計算300
13.1.3基于延遲的儲層計算302
13.2光子儲層計算306
13.2.1具有單個動態(tài)節(jié)點的儲層計算307
13.2.2利用硅光子芯片進行儲層計算311
13.3討論314
13.4參考文獻315
第14章神經形態(tài)平臺比較320
14.1簡介320
14.2技術比較322
14.2.1電子和光子神經硬件架構323
14.2.2速度：帶寬和延時326
14.2.3功耗：能量和噪聲329
14.2.4尺寸：器件密度和可擴展性333
14.2.5網絡：通道和拓撲限制334
14.3參考文獻336

你還可能感興趣

我要評論