具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图2，图2为本发明实施例提供的一种基于光学神经网络的数据处理方法的流程示意图，传统的光学干涉单元为如图1所示的光学结构，也即其包括两个分光器和一个移相器，各输入光信号依次经过左边分光器、移相器和右边分光器的处理之后进行输出，通常来说，分光器由于在制作过程中会引入偏差，其所标榜的分光比如50：50在实际使用过程中并不是严格按照该分光比参数对输入光信号进行处理的，但计算时仍采用该参数，这就导致计算结果和实际效果不相匹配，尤其是偏差较大的时候，光学神经网络的计算性能不佳。鉴于此，本申请为了解决该现状，可对分光器自身偏差进行补偿，从而提升网络性能。为了解决该问题，本申请需要先对光学神经网络的光学结构进行改变，本发明实施例所适用于的光学神经网络的结构为：光学神经网络的硅光子集成电路的光学干涉单元包括第一干涉光路结构、移相器和第二干涉光路结构，第一干涉光路结构和第二干涉光路结构均包括内部移相器和分光器，光学神经网络可包括多路输入光信号，例如可包括两束输入光信号，为了便于区别，可称为第一输入光信号和第二输入光信号，各输入光信号依次经过第一干涉光路结构、移相器和第二干涉光路结构的处理之后再进行输出。为了便于区别，第一干涉光路结构和第二干涉光路结构的内部移相器可称为第一内部移相器，第二内部移相器，第一干涉光路结构和第二干涉光路结构中的分光器可称为第一分光器、第二分光器、第三分光器、第四分光器等。基于上述光学神经网络的具体光学结构，本实施例基于该光学神经网络的数据处理过程可包括以下内容：

S201：分别获取输入光信号的初始光信息、在移相器输入端口的中间输入光信息、在移相器输出端口的中间输出光信息和最终输出光信息。

在本步骤中，输入光信号可以有多路，所属领域技术人员可根据实际应用情况进行光路搭建并确定输入光信号的路数。初始光信息即为光学神经网络的输入层的光信号所携带的光信息，光信息例如可为光功率，也就是在未经光学干涉单元的元器件所处理之前的光信号所携带的信息。中间输入光信息也即为输入光信号经过第一干涉光结构处理后输出的光信号，中间输出光信息也即中间输入光信息对应的光信号在利用移相器进行调相处理后所输出的光信号所携带的光信息。最终输出光信息即为经过第二干涉光路结构处理后所输出的光信号所携带的光信息。

S202：当使得初始光信息和中间输入光信息之间，中间输出光信息和最终输出光信息之间均满足光学神经网络的预设分光条件时，计算第一干涉光路结构和第二干涉光路结构的内部移相器的参数，以利用基于该参数的光学神经网络进行数据处理。

本实施例是采用两个干涉光路结构代替原有的分光器件，通过调节干涉光路结构的移相器来实现对分光器偏差的补偿，所以需要计算各干涉光路结构的移相器的参数，而两个移相器的参数正好为所求参数时，此处正好可以使得初始光信息和中间输入光信息之间，中间输出光信息和最终输出光信息之间均满足光学神经网络的预设分光条件，也即初始光信息和中间输入光信息满足预设分光条件，中间输出光信息和最终输出光信息也满足预设分光条件。预设分光条件也即原始分光器想要实现的分光比值，举例来说，图一所示典型的MZI结构，一个MZI由两个分光器和一个移相器组成，理想情况下，MZI的左分光器和右分光器的分光比均为50：50，本实施例所述的预设分光条件也即为50：50。在确定内部移相器参数之后，将光学神经网络的两个内部移相器调整为该参数值，再使用该光学神经网络对数据进行处理，数据处理结果就不会由于存在分光器件偏差导致的不准确的问题，提升数据处理准确度。

在本发明实施例提供的技术方案中，采用两个干涉光路结构代替原光学神经网络的硅光子集成电路中的分光器，并通过调节第一干涉光路结构和第二干涉光路结构的内部移相器的参数将任意分光器补偿到想要的分光比，从而解决相关技术中由于分光器的分光精度低导致光学神经网络性能不好的技术问题，有效提升光学神经网络性能，利用对分光器进行补偿的光学神经网络进行数据处理，实现各种复杂而精确的线性光学模块，进而可提升数据处理精准度。

需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图2只是一种示意方式，并不代表只能是这样的执行顺序。

在上述实施例中，对于如何计算光学神经网络的内部移相器的参数的执行步骤并不做限定，本实施例中给出一种内部移相器参数计算方式，以两路输入光输出信号为例，可包括如下步骤：

第一干涉光路结构包括第一分光器、第一内部移相器和第二分光器；第一分光器将光学神经网络的输入光信号输入至第一内部移相器，第二分光器将来自第一内部移相器输出的光信号输入至移相器；第二干涉光路结构包括第三分光器、第二内部移相器和第四分光器；第三分光器将移相器的输入光信号输入至第二内部移相器，第四分光器将来自第二内部移相器输出的光信号进行分光处理后输出。

调用第一干涉光路光参数计算关系式确定第一内部移相器的参数；第一干涉光路光参数计算关系式为：

；

式中，为光学神经网络的第一输入光信号在移相器输入端口的中间输入光信息，为光学神经网络的第二输入光信号在移相器输入端口的中间输入光信息，L ₁为第一输入光信号的初始光信息，L ₂为第二输入光信号的初始光信息，r ₁为第一分光器的反射率，r ₂为第二分光器的反射率，t ₁为中间参数且，t ₂为中间参数且，i表示虚数，e表示指数，为第一内部移相器的参数。

调用第二干涉光路光参数计算关系式确定第二内部移相器的参数；第二干涉光路光参数计算关系式为：

；

式中，为第一输入光信号的最终输出光信息，为第二输入光信号的最终输出光信息，L ₃为第一输入光信号在移相器输出端口的中间输出光信息，L ₄为第二输入光信号在移相器输出端口的中间输出光信息，r ₃为第三分光器的反射率，r ₄为第四分光器的反射率，t ₃为中间参数且，t ₄为中间参数且，i表示虚数，e表示指数，为第二内部移相器的参数。

为了使所属领域人员清楚明白本申请技术方案的实现，本申请结合图3，以预设分光条件为50：50为例，来阐述第一干涉光路结构和第二干涉光路结构的内部移相器的参数的计算过程：

若预设分光条件为50：50，对于图1所述的光路结构，理想情况下，MZI的左分光器和右分光器的分光比均为50：50，则满足：

；（1）

；（2）

式中，P _A 为A点的功率，P _B 为_B点的功率，P _E 为E点的功率，P _F 为F点的功率，表示C点中来自A点处的功率，为D点中来自A点处的功率，表示C点中来自B点处的功率，为D点中来自B点处的功率，表示G点中来自E点处的功率，为G点中来自F点处的功率，表示H点中来自E点处的功率，为H点中来自F点处的功率，

本实施例分别基于干涉光路结构来实现左分光器和右分光器，如图3所示，有四个分光器BS1、BS2、BS3和BS4，对应的反射率为r ₁、r ₂、r ₃、r ₄，三个移相器的参数为和，通过调整和进行补偿，使得等式（1）和式（2）成立。

根据MZI传输矩阵，可以得到图3中左边虚线框中的传输矩阵为：

；（3）

其中，，，当器件制造完成后，r ₁、r ₂、t ₁、t ₂均已知。输入端口A、B和输出端口C、D的关系可以表示为：

。（4）

其中L ₁和L ₂对应A端口和B端口的信号，和对应C端口和D端口的信号，代入得到：

；（5）

1）为了使，假设，L ₂=0，根据欧拉公式和三角公式可以得到：

；（6）

为实部平方与虚部平方之和，即：

；（7）

令，可得到。（8）

2）为了使，假设，L ₂=0，可以得到：

；（9）

；（10）

令可得：。（11）

3）为了使，假设L ₁=0，可以得到：

；（12）

；（13）

令可得：。（14）

4）为了使，假设L ₁=0，可以得到：

；（15）

；（16）

令可得：。（17）

基于和可知，式8、11、14、17均相等，这满足MZI的能量守恒和对称性。

同理，基于上述推导过程可同样对右边的分光器也即第二干涉光路结构计算其内部移相器参数，由于二者除了参数下标不同，其他均相同，为了说明书简洁，此处便不再赘述求导过程，第二干涉光路结构的内部移相器参数计算关系为：

。（18）

基于上述实施例，在实际应用过程中，若预设分光比为50：50，则可根据第一干涉光路光参数计算关系式计算得到第一参数计算关系式；根据第一参数计算关系式确定第一内部移相器的参数；第一参数计算关系式为：

。

根据第二干涉光路光参数计算关系式计算得到第二参数计算关系式；根据第二参数计算关系式确定第二内部移相器的参数；第二参数计算关系式为：

。

可以理解的是，对分光器的补偿对原始分光器的光参数是有要求的，而且越符合要求，补偿精度也就越高，相应的，光学神经网络的性能也就越好。基于此，本申请在分别获取两路输入光信号的初始光信息、在移相器输入端口的中间输入光信息、在移相器输出端口的中间输出光信息和最终输出光信息之前，还可包括：

分别获取第一干涉光路结构和第二干涉光路结构的分光器的分光比；

判断各分光器的分光比是否满足分光补偿条件；若是，则执行分别获取两路输入光信号的初始光信息、在移相器输入端口的中间输入光信息、在移相器输出端口的中间输出光信息和最终输出光信息的步骤。若各分光器的分光比有一个不满足分光补偿条件，则不对该光学神经网络进行分光器的补偿处理。

其中，分光补偿条件可基于预设分光条件计算，对于预设分光条件为50：50，分光补偿条件为分光器的分光比在15：85至85：15的范围内。具体计算过程可包括：

因为，所以就满足：

；（19）

基于和可知：

；（20）

对上述式21进行化简处理，可得：

；（21）

当r _i ²≥0.15时，上式（21）一定成立。因为r和t的对称性，有t _i ²≥0.15，因此该方法可以补偿15：85至85：15的分光器。

由上可知，本实施例可使用分光比在15：85至85：15范围内的MZI代替50：50的分光器，通过调整移相器的值来模拟50：50的分光器，从而实现精准的50：50分光器的MZI，提高基于MZI的光学神经网络的精度和稳定性。

本发明实施例还针对基于光学神经网络的数据处理方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的基于光学神经网络的数据处理装置进行介绍，下文描述的基于光学神经网络的数据处理装置与上文描述的基于光学神经网络的数据处理方法可相互对应参照。

基于功能模块的角度，参见图4，图4为本发明实施例提供的基于光学神经网络的数据处理装置在一种具体实施方式下的结构图，其中，本实施例适用的光学神经网络的结构为：其光学干涉单元包括第一干涉光路结构、移相器和第二干涉光路结构，第一干涉光路结构和第二干涉光路结构均包括内部移相器和分光器，该装置包括：

光信息获取模块401，用于分别获取输入光信号的初始光信息、在移相器输入端口的中间输入光信息、在移相器输出端口的中间输出光信息和最终输出光信息。

计算模块402，用于当使得初始光信息和中间输入光信息之间，中间输出光信息和最终输出光信息之间均满足光学神经网络的预设分光条件时，计算第一干涉光路结构和第二干涉光路结构的内部移相器的参数，以利用基于参数的光学神经网络进行数据处理。

可选的，在本实施例的一些实施方式中，上述计算模块402可包括第一光参数计算单元，第一光参数计算单元用于：输入光信号包括两路输入光信号，第一干涉光路结构包括第一分光器、第一内部移相器和第二分光器；第一分光器将光学神经网络的输入光信号输入至第一内部移相器，第二分光器将来自第一内部移相器输出的光信号输入至移相器；调用第一干涉光路光参数计算关系式确定第一内部移相器的参数；第一干涉光路光参数计算关系式为：

；

式中，为光学神经网络的第一输入光信号在移相器输入端口的中间输入光信息，为光学神经网络的第二输入光信号在移相器输入端口的中间输入光信息，L ₁为第一输入光信号的初始光信息，L ₂为第二输入光信号的初始光信息，r ₁为第一分光器的反射率，r ₂为第二分光器的反射率，t ₁为中间参数且，t ₂为中间参数且，i表示虚数，e表示指数，为第一内部移相器的参数。

作为本实施例的一种可选的实施方式，上述第一光参数计算单元还可用于：预设分光条件为50：50，根据第一干涉光路光参数计算关系式计算得到第一参数计算关系式；根据第一参数计算关系式确定第一内部移相器的参数；第一参数计算关系式为：

。

可选的，在本实施例的另一些实施方式中，上述计算模块402可包括第二光参数计算单元，第二光参数计算单元用于：输入光信号包括两路输入光信号，第二干涉光路结构包括第三分光器、第二内部移相器和第四分光器；第三分光器将移相器的输入光信号输入至第二内部移相器，第四分光器将来自第二内部移相器输出的光信号进行分光处理后输出；调用第二干涉光路光参数计算关系式确定第二内部移相器的参数；第二干涉光路光参数计算关系式为：

；

式中，为第一输入光信号的最终输出光信息，为第二输入光信号的最终输出光信息，L ₃为第一输入光信号在移相器输出端口的中间输出光信息，L ₄为第二输入光信号在移相器输出端口的中间输出光信息，r ₃为第三分光器的反射率，r ₄为第四分光器的反射率，t ₃为中间参数且，t ₄为中间参数且，i表示虚数，e表示指数，为第二内部移相器的参数。

作为本实施例的一种可选的实施方式，上述第二光参数计算单元用于：预设分光条件为50：50，根据第二干涉光路光参数计算关系式计算得到第二参数计算关系式；根据第二参数计算关系式确定第二内部移相器的参数；第二参数计算关系式为：

。

可选的，在本实施例的其他一些实施方式中，上述装置例如还可包括数据预处理模块，数据预处理模块包括：

条件预设置单元，用于预先设置分光补偿条件；

参数信息获取单元，用于分别获取第一干涉光路结构和第二干涉光路结构的分光器的分光比；

判断执行模块，用于判断各分光器的分光比是否满足分光补偿条件；若是，则继续执行光信息获取模块401。

作为本实施例的一种可选的实施方式，上述条件预设置单元可为若预设分光条件为50：50，预先设置分光补偿条件为分光器的分光比在15：85至85：15的范围内的单元。

本发明实施例基于光学神经网络的数据处理装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例通过对光学神经网络的分光器进行补偿，从而解决相关技术中由于分光器的分光精度低导致光学神经网络性能不好的技术问题，有效提升光学神经网络性能，从而提升数据处理精准度。

上文中提到的基于光学神经网络的数据处理装置是从功能模块的角度描述，进一步的，本申请还提供一种基于光学神经网络的数据处理装置，是从硬件角度描述。图5为本申请实施例提供的另一种基于光学神经网络的数据处理装置的结构图。如图5所示，该装置包括存储器50，用于存储计算机程序；处理器51，用于执行计算机程序时实现如上述任一实施例提到的基于光学神经网络的数据处理方法的步骤。

其中，处理器51可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器51可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器51也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器51可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器51还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器50可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器50还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器50至少用于存储以下计算机程序501，其中，该计算机程序被处理器51加载并执行之后，能够实现前述任一实施例公开的基于光学神经网络的数据处理方法的相关步骤。另外，存储器50所存储的资源还可以包括操作系统502和数据503等，存储方式可以是短暂存储或者永久存储。其中，操作系统502可以包括Windows、Unix、Linux等。数据503可以包括但不限于基于光学神经网络的数据处理结果对应的数据等。

在一些实施例中，基于光学神经网络的数据处理装置还可包括有显示屏52、输入输出接口53、通信接口54或者称为网络接口、电源55以及通信总线56。其中，显示屏52、输入输出接口53比如键盘（Keyboard）属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在基于光学神经网络的数据处理装置中处理的信息以及用于显示可视化的用户界面。通信接口54可选的可以包括有线接口和/或无线接口，如WI-FI接口、蓝牙接口等，通常用于在该基于光学神经网络的数据处理装置与其他电子设备之间建立通信连接。通信总线56可以是外设部件互连标准(peripheralcomponent interconnect，简称PCI)总线或扩展工业标准结构(extended industrystandard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

本领域技术人员可以理解，图5中示出的结构并不构成对基于光学神经网络的数据处理装置的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器57。

本发明实施例所述基于光学神经网络的数据处理装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例通过对光学神经网络的分光器进行补偿，从而解决相关技术中由于分光器的分光精度低导致光学神经网络性能不好的技术问题，有效提升光学神经网络性能，从而提升数据处理精准度。

可以理解的是，如果上述实施例中的基于光学神经网络的数据处理方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。

基于此，本发明实施例还提供了一种计算机可读存储介质，存储有基于光学神经网络的数据处理程序，所述基于光学神经网络的数据处理程序被处理器执行时如上任意一实施例所述基于光学神经网络的数据处理方法的步骤。

最后，本发明实施例还提供了一种光学神经网络，可包括下述内 容：

可以理解的是，光学神经网络可包括输入层、输出层以及中间的 各隐藏层，中间的各隐藏层包括光学干涉单元(OIU)和光学非线性 单元(ONU)，分别起到矩阵乘法和激活函数的作用。光学干涉单元例 如可由基于马赫曾德干涉仪(Mach–Zehnderinterferometer，MZI) 的可编程纳米光子器实现，其中，马赫曾德干涉仪例如可由耦合器连 接上下两个硅波导分支构成。内移相器通过改变波导折射率控制输出 分光比，外移相器控制差分输出、相位延迟。ONU可由饱和吸收器、 光学双稳态等具备非线性特征的光学硬件实现。光学干涉单元(OIU) 是集成在硅光子电路中的，也称为硅光子集成电路。本实施例的光学 神经网络包括硅光子光路和如前任何一个实施例所述的基于光学神经 网络的数据处理装置。

其中，硅光子光路61的光学干涉单元包括第一干涉光路结构、移相器和第二干涉光路结构。第一干涉光路结构包括第一内部移相器、第一分光器、第二分光器；第二干涉光路结构包括第二内部移相器、第三分光器、第四分光器；光学神经网络的第一输入光信号和第二输入光信号分别经第一分光器输入至第一内部移相器，经第一内部移相器通过第二分光器输入至移相器，经移相器通过第三分光器输入至第二内部移相器，经第二内部移相器通过第四分光器进行输出。

其中，第一干涉光路和第二干涉光路例如均可为MZI结构，如图3所示，当然，也可采用其他干涉光路，这均不影响本申请的实现。

本发明实施例所述光学神经网络的各功能模块或各光学器件、电学器件的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例通过对光学神经网络的分光器进行补偿，从而解决相关技术中由于分光器的分光精度低导致光学神经网络性能不好的技术问题，有效提升光学神经网络性能，从而提升数据处理精准度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上对本申请所提供的一种基于光学神经网络的数据处理方法、装置、计算机可读存储介质及光学神经网络进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。