论文部分内容阅读
近些年来,人工智能技术不断发展,越来越多的科学家将目光转向机器智能化的方向。神经网络在机器学习、模式识别等领域具有重要应用。基于硬件实现的神经网络是近几年来的研究热点,人们希望机器能像大脑一样思考和工作,大大提高人类生活和工作的便捷度。神经元细胞受到外界的刺激产生尖峰脉冲信号,这些尖峰脉冲信号通过突触在神经元之间进行传递,这是大脑工作的基础。因此,神经元和突触在大脑神经系统中具有非常重要的地位。突触的尖峰脉冲时间依赖可塑性(Spike Timing–Dependent Plasticity,STDP)是神经系统发育、学习和记忆的神经生物学基础。所以,为构建像大脑一样智能的机器,有效实现神经元和突触电路是非常关键的。可是,由于缺乏合适的器件来模拟实现神经元和突触,因此对这个领域的研究成果非常有限。但是,像大脑一样的智能化机器需要更有效、更小的器件来实现它的最终目标。光子神经形态系统能以比生物大脑快几百万至十亿倍的运行速度模拟神经形态算法,是其他神经形态硬件系统无法比拟的,并可胜任比传统数字或模拟光计算更复杂的计算任务,如自适应控制、学习与记忆和感觉信息处理等。神经形态计算所特有的适应性、容错性和脉冲信号机制,能够避免传统数字光计算的芯片集成及模拟光计算的噪声积累等制约光计算发展的瓶颈问题。而光子尖峰脉冲神经网络不但具有与大脑更相似的工作机制,也能将光子计算的低功耗、高带宽等优点结合起来。总结来说,光子神经形态系统具有速度快、低耗能、高带宽等优势,具有重要的研究意义。本文通过研究将具有饱和吸收区的垂直腔面发射半导体激光器(Vertical-Cavity Surface-Emitting Laser with a Saturable Absorber,VCSEL-SA)作为光子神经元,首次提出将垂直腔面半导体光放大器(Vertical-Cavity Semiconductor Optical Amplifier,VCSOA)作为关键器件模拟实现具有STDP机制的光子突触,搭建起一套通用的光子脉冲神经网络模型,并通过利用MATLAB仿真软件实现了基于光子脉冲神经网络的STDP无监督学习算法,突触后神经元成功识别了突触前神经元发放的第一个尖峰脉冲。其中,详细研究了基于VCSEL-SA实现的尖峰脉冲编码,基于VCSOA实现的STDP,以及光子脉冲神经网络的学习特性。这些结果是非常有趣且有价值的,能为超快光子神经形态系统的光子信息处理领域提供理论依据和指导。