一种基于光子晶体纳米梁的热光调制语音转换系统

摘要

本发明提供一种基于光子晶体纳米梁的热光调制语音转换系统，包括输入层、隐藏层和输出层；其中，隐藏层中包括光学干涉单元和光学非线性单元，光学干涉单元包括MZI结构与光子晶体纳米梁，经过MZI结构的光相位与MZI结构温度之间的关系可表示为：其中，λ表示光的波长，neff表示为光的有效折射率，L表示为MZI结构中调制臂的波长。本发明与光学相结合的深度学习神经网络能有效地提高学习效率、计算速度以及准确度。基于光子晶体纳米梁的热光调制语音转化系统可以有效地解决传统计算机网络功耗大效率低以及体光学元件(如光纤、透镜)需要高的稳定性等问题。光学神经网络架构可以比在当前电子计算机上实现传统人工神经网络更加节能。

说明书

技术领域

本发明属于光子芯片领域，特别涉及一种基于光子晶体纳米梁的热光调制语音转换系统。

背景技术

当今信息化社会，硅光子学的发展受到大家广泛关注。不论是光芯片、光互联还是光传感领域，硅基光子片上集成是研究的一个重点。在光子晶体的研究中，一个重要的方向是如何有效控制光和有效地进行光与物质间的相互作用。为此，研究设计出高Q值超小体积V的光学微腔成为一大挑战。

光子晶体两大基本的特征有光子禁带和光子局域。在光子晶体中引入缺陷，和缺陷态频率相同的光子可能被限制在缺陷位置。如果引入的是点缺陷，其能够把光限制在特定的位置，可以制作成高品质因子的光子晶体谐振腔。

光子晶体纳米梁腔(Photonic Crystal Nanobeam Cavity,PCNC)因结构简单、制备较容易而受到广泛关注。如图5所示是典型的光子晶体纳米梁结构。由图可知，整个微腔是悬空的结构，上下包层均为空气，我们称之为纳米梁(nanobeam)。

光子晶体纳米梁的热光调制主要机理基于光波导的热光效应(thermo-opticeffect)。虽然热光效应调制速度相应较慢，但是适合具有热光系数大、热传导率高的材料。热光效应通过将液晶加热或冷却使其分子排列发生改变,从而造成液晶的光学性质随温度的改变而改变的现象称为热光效应。

神经网络中研究的一个方向是递归神经网络(Recurrent neural networks)，已经应用于涉及事件时间序列和有序数据(如单词中的字符)的各种问题，在语音识别和语言处理方面也有广泛的应用。

针对以上背景，提出一种基于光子晶体纳米梁产生的缺陷而设计热光调制语音转换系统。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种基于光子晶体纳米梁的热光调制语音转换系统，本发明光子晶体纳米梁与MZI相结合的结构中，光子晶体微腔的体积非常小，光场能量密度很大，故而器有效模式体积可以很小，增加装置的适用性。

为解决上述技术问题，本发明采用的技术方案是：一种基于光子晶体纳米梁的热光调制语音转换系统，所述系统包括输入层、隐藏层和输出层；其中，所述隐藏层中包括光学干涉单元和光学非线性单元，所述光学干涉单元包括MZI结构与光子晶体纳米梁，经过所述MZI结构的光相位与所述MZI结构温度之间的关系可表示为：

其中，λ表示光的波长，n

优选的，所述MZI结构与所述光子晶体纳米梁相结合的结构具有较大的波长漂移量。

一种基于光子晶体纳米梁的热光调制语音转换系统测试方法，所述方法包括以下步骤：步骤a、确定用于训练和测试的数据集，所述数据集由360个数据点组成，每个数据点都表示不同的音素；步骤b、将声音信息转换为光信号，将所述光信号依次通过光学干涉单元和光学非线性单元，从输出层输出；步骤c、将所述360个数据点一半用于训练，剩下的一半用于测试训练的结果；训练的时候把不通的通道设置不同数值的目标光功率，对于输入的测试数据集使用随机梯度下降法不断优化使其接近理想值；步骤d、训练完毕之后，输入测试集中的信息可以从我们期望的通道输出相关信息。

优选地，信号通过光波导中传播的光脉冲的幅度编码，信号经过光学干涉单元，最后通过光学非线性单元。

优选的，所述光学干涉单元内设置有MZI，所述MZI内部和外部均设置有移相器，通过设置所述移相器的电压实现对纳米光子处理器的编程；所述移相器通过热光效应将电阻上消耗的功率变化转换为波导折射率的变化。

与现有技术相比，本发明的有益效果在于：

本发明与光学相结合的深度学习神经网络能有效地提高学习效率、计算速度以及准确度。基于光子晶体纳米梁的热光调制语音转化系统可以有效地解决传统计算机网络功耗大效率低以及体光学元件(如光纤、透镜)需要高的稳定性等问题。光学神经网络架构可以比在当前电子计算机上实现传统人工神经网络更加节能。

应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1示意性示出了本发明转换系统示意图；

图2示意性示出了本发明MZI调制后的波长漂移示意图，图b表示MZI与光子晶体纳米梁结合后的波长漂移示意图；

图3示意性示出了本发明整体的实现方案框架示意图；

图4示意性示出了本发明全光学神经网络结构示意图；

图5示意性示出了本发明光子晶体纳米梁结构示意图；

图6示意性示出了本发明全连接的深度学习网络示意图；

图7示意性示出了本发明全连接的深度学习网络示意图。

图中：

1、光学干涉单元 2、光学非线性单元

3、光子晶体纳米梁

具体实施方式

通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

本发明基于光子晶体纳米梁产生的缺陷而设计的热光调制语音转换系统。光子晶体纳米梁与MZI(马赫增德尔Mach-Zehnder interferometer)相结合的结构中，光子晶体微腔的体积非常小，光场能量密度很大，故而器有效模式体积可以很小。

工作原理：

(1)光子晶体纳米梁理论

光晶体纳米梁结构基本包括缺陷区、渐变区和反射镜区。这种结构能够最大限度地限制光子，能使光子较长的处于PCNC中，从而使得PCNC具有优异的光学性能。描述光学谐振腔的两个重要物理量是品质因子Q和模体积V，品质因子可以表示为:

Q＝ω

其中ω

FOM＝Q/V

FOM越大，表明PCNC的性能越好，具有较强的Purcell效应和光物相互作用。

(2)热光调制原理

光调制的原理主要由于材料的非线性效应和热光效应。由于热光效应，材料吸收光之后部分能量会转化为热量进而引起材料折射率的改变。光子晶体纳米梁有较高的热传导效率，吸收的光能部分转化为热量，产生更大的折射率变化量。热效应引起的折射率的变化可用下面的公式表示：

其中，f

(3)全连接的深度学习网络

深度学习网络原理主要介绍全连接方式的深度学习网络。所谓全连接的就是把之前的局部特征重新通过权值矩阵组装完整的图，因为用到了所有的局部特征，所以称之为全连接。如图6所示是最简单的全连接神经网络图，对于全连接来说，神经网络里的全连接是在全连接层实现的，实际实现的本质是两个向量的内积。全连接层一般出现在卷积神经网络的最后，全连接会把卷积输出的二维特征图转化成一维的一个向量。

如图7中最后的两列小圆球就是两个全连接层，在最后一层卷积结束后，进行了最后一次池化，输出了20个12*12的图像，然后通过了一个全连接层变成了1*100的向量。由于传统的网络我们的输出都是分类，也就是几个类别的概率，那么全连接层就是高度提纯的特征，方便交给最后的分类器或者回归。这也就是全连接层的目的。

本发明提出一种全光学神经网络的新构架，利用光学的优势可以有效提高神经网络的学习的效率。硅基波导可编程纳米光子器件的结构框图如图1所示。

本系统的创新点体现在光学干涉单元1中MZI结构与光子晶体纳米梁3的结合。热光调制是利用材料的热光效应，温度的变化引起折射率的改变进而引起光相位的变化。我们在MZI的一个臂上放置一个金属电极用于加热，热通过硅层改变了硅的折射率，从而实现热光调制。由热光效应引起的光的相位的变化与调制器的臂长以及硅温度的变化可以有下面的公式表示：

其中λ工作波长，n

整体的实现方案框架如下(如图3所示)，首先用于训练和测试的数据集是由360个数据点组成，每个数据点都表示不同的音素。声音信息转换为光信号之后，通过光学干涉单元1，最后通过光学非线性单元2。这360个数据点一半用于训练，剩下的一半用于测试训练的结果。训练的时候把不通的通道设置不同数值的目标光功率，对于输入的测试数据集使用随机梯度下降法不断优化使其接近理想值。训练完毕之后，输入测试集中的信息可以从我们期望的通道输出相关信息。

通过设置MZI内部和外部移相器的电压实现对纳米光子处理器的编程。移相器通过热光效应将电阻上消耗的功率变化转换为波导折射率的变化。下面的表达式实现对2x2矩阵的一元转化。

如图4所示是全光学神经网络的一般结构，由输入层、多个隐藏层及输出层组成。图b是将一段神经网络分解为单个层，在每一层中信息通过线性组合后传递，然后应用于非限性单元。

光神经网络如图b，c所示，其体现的是人工神经网络各层的光学干涉1和光学非线性单元2，信息通过线性组合(例如矩阵乘法)传播，然后经过非线性激活函数。可以通过将训练数据馈送到输入层在经过输出进行训练。在图c中，信号通过光波导中传播的光脉冲的幅度编码，信号经过光学干涉单元1，最后通过光学非线性单元2。

以上结构设计具有以下优点，与光学相结合的深度学习神经网络能有效地提高学习效率、计算速度以及准确度。基于光子晶体纳米梁的热光调制语音转化系统可以有效地解决传统计算机网络功耗大效率低以及体光学元件(如光纤、透镜)需要高的稳定性等问题。光学神经网络架构可以比在当前电子计算机上实现传统人工神经网络更加节能。

本发明的有益效果：本发明与光学相结合的深度学习神经网络能有效地提高学习效率、计算速度以及准确度。基于光子晶体纳米梁的热光调制语音转化系统可以有效地解决传统计算机网络功耗大效率低以及体光学元件(如光纤、透镜)需要高的稳定性等问题。光学神经网络架构可以比在当前电子计算机上实现传统人工神经网络更加节能。

结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。