论文部分内容阅读
自20世纪80年代以来,脑科学研究受到了广泛的关注,由此兴起的人工神经网络已经逐步成为人工智能领域的研究热点。目前,人工神经网络在历经了第一代的感知器模型和以BP神经网络为代表的第二代神经网络后已经发展到了第三代的spiking神经网络。传统的基于电学方式的spiking神经网络模型能有效处理生物神经的活动行为,但这种会受到电学器件带宽、距离、功耗等的限制。近年来,基于半导体光放大器、光纤激光器、半导体激光器等不同光子神经模型因可突破电子器件带宽的限制,且可提供超快spiking动力学而被相继提出。垂直腔面发射激光器(VCSELs)因具有低成本、低能耗、易于集成到二维阵列、与光纤高的耦合效率等一些独特的优势而可能成为光子神经元的理想器件。因此,深入研究VCSELs光子神经元的超快spiking动力学特性对推动VCSELs在人工神经网络中的发展应用具有重要意义。本文基于VCSELs的自旋反转模型(SFM),理论研究了VCSELs光子神经元的spiking动力学特性研究:对于单一脉冲扰动的情况,激光器在适当的注入条件下可激发出比生物神经快约8个量级的超快spikes信号。当扰动信号强度较小时,VCSEL不能激发spike信号,只有当扰动信号强度超过阈值后才能激发出spike信号,而且spikes信号重复频率随扰动信号强度的增加而增加;随着扰动持续时间的增加,VCSEL激发的spikes信号的个数随之增加。对于两个连续脉冲扰动的情况,由于不应期的存在,减少两个扰动之间的时间间隔会导致系统仅仅对第一个扰动进行响应,随着扰动持续时间或扰动强度的增加,激光器不应期的时间可能减少,在适当的扰动条件下,激光器可对两个连续的扰动信号进行响应。对于两个单向耦合的VCSEL神经元,通过控制扰动信号的扰动时间和扰动强度,发射VCSEL(TVCSEL)激发的spikes信号可在外部扰动信号作用时间内被有效抑制,且这一抑制的spike信号可以传输到另一个接收VCSEL(R-VCSEL),两个VCSELs具有相似的响应。随着扰动强度的增加,在扰动区间可以观察到具有较高振幅和较低振荡频率的spikes信号,当扰动强度增加到一定阈值时,激光器从激发态进入注入锁定态,VCSEL在扰动信号作用区激发的spikes信号可被完全抑制。此外,抑制区的时间窗口可以通过调节扰动持续时间来控制。