JPH0261708A - 光演算装置 - Google Patents
光演算装置Info
- Publication number
- JPH0261708A JPH0261708A JP21313088A JP21313088A JPH0261708A JP H0261708 A JPH0261708 A JP H0261708A JP 21313088 A JP21313088 A JP 21313088A JP 21313088 A JP21313088 A JP 21313088A JP H0261708 A JPH0261708 A JP H0261708A
- Authority
- JP
- Japan
- Prior art keywords
- light
- modulator
- light emitting
- optical
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 abstract description 14
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 239000004973 liquid crystal related substance Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract description 2
- 238000003491 array Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000002834 transmittance Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
［産業上の利用分野コ
この発明は、光を用いたニューラルネットワークによっ
て、高速にデータを処理する装置に関するものである。
て、高速にデータを処理する装置に関するものである。
［従来技術とその課題］
大規模な情報を処理するために、高速に演算を実行する
計算機の研究が進んでいるが、電気回路を用いた逐次処
理による方法では、すでに性能限界に近づいている。そ
こで、スーパーコンピュータやアレイプロセッサなど、
複数の演算を同時に実行する並列処理アーキテクチャな
どの研究が進んでいる。一方、光は、空間的な広がりを
持ち、その物理的な性質は互いに干渉し合わないため、
光を用いた演算は並列性に優れている。光を変調する手
段として、振幅、位相、周波数、偏向などが考えられ、
空間的な光変調器の開発が行われている。
計算機の研究が進んでいるが、電気回路を用いた逐次処
理による方法では、すでに性能限界に近づいている。そ
こで、スーパーコンピュータやアレイプロセッサなど、
複数の演算を同時に実行する並列処理アーキテクチャな
どの研究が進んでいる。一方、光は、空間的な広がりを
持ち、その物理的な性質は互いに干渉し合わないため、
光を用いた演算は並列性に優れている。光を変調する手
段として、振幅、位相、周波数、偏向などが考えられ、
空間的な光変調器の開発が行われている。
光ヲ用いたニューロコンピュータとして、これまでに、
１次元の発光素子と１次元の受光素子をアナモルフィッ
クな光学系で接続し、ホップフィールドモデルのインタ
コネクションを光学的に実現した方法や、入力データを
空間光変調器で変調し、双方向の演算を可能にした方法
が知られている。ホップフィールドモデルを光学的に実
現した方法については、例えば雑誌オブティックスレタ
ーズ（ＯＰＴＩＣ５ＬＥＴＴＥＲＳ） 、第１０巻、１
９８５年、第９８〜＋００頁に記載された論文「閾値処
理とフィードバック機能をもつニューラルネットを用い
た連想記憶モデルによる光情報処理（０ｐｔｉｃａｌ
ｉｎｆｏｒｍａｔｔｏｎ ｐｒｏｃｅｓｓｉｎｇ ｂａ
ｓｅｄ ｏｎ ａｎ ａｓｓｏｃｉａｔｉｖｅ−ｍｅｍ
ｏｒｙ ｍｏｄｅｌ ｏｆ ｎｅｕｒａｌ ｎｅｔｓ
ｗｉｔｈ ｔｈｒｅｓｈｏｌｄｌｎｇ ａｎｄｆｅｅｄ
ｂａｃｋ） Ｊに、詳しく述べられている。また、入力
データを空間光変調器で変調させる方法については、例
えば、雑誌アプライドオプティックス（ＡＰＰＬＩＥＤ
０ＰＴＩＣ３） 、第２６巻、１９８７年、第５０５
５〜５０６０頁に記載された論文「光双方向連想メモリ
の設計とデバイス（Ｄｅｓｉｇｎｓ ａｎｄ ｄｅｖｌ
ｃｅｓ ｆｏｒ ｏｐｔｌｃａｌ ｂｉｄｉｒｅｃｔ
ｉｏｎａｌ ａｓｓｏｃｉａｔｌｖｅ ｍｅｍｏｒ
ｉｅｓ）Ｊ に、詳しく述べられている。しかし、こ
れらの方法では、学習を実時間に実現することができず
、より一般的なニューロモデルを実現することはできな
い。
１次元の発光素子と１次元の受光素子をアナモルフィッ
クな光学系で接続し、ホップフィールドモデルのインタ
コネクションを光学的に実現した方法や、入力データを
空間光変調器で変調し、双方向の演算を可能にした方法
が知られている。ホップフィールドモデルを光学的に実
現した方法については、例えば雑誌オブティックスレタ
ーズ（ＯＰＴＩＣ５ＬＥＴＴＥＲＳ） 、第１０巻、１
９８５年、第９８〜＋００頁に記載された論文「閾値処
理とフィードバック機能をもつニューラルネットを用い
た連想記憶モデルによる光情報処理（０ｐｔｉｃａｌ
ｉｎｆｏｒｍａｔｔｏｎ ｐｒｏｃｅｓｓｉｎｇ ｂａ
ｓｅｄ ｏｎ ａｎ ａｓｓｏｃｉａｔｉｖｅ−ｍｅｍ
ｏｒｙ ｍｏｄｅｌ ｏｆ ｎｅｕｒａｌ ｎｅｔｓ
ｗｉｔｈ ｔｈｒｅｓｈｏｌｄｌｎｇ ａｎｄｆｅｅｄ
ｂａｃｋ） Ｊに、詳しく述べられている。また、入力
データを空間光変調器で変調させる方法については、例
えば、雑誌アプライドオプティックス（ＡＰＰＬＩＥＤ
０ＰＴＩＣ３） 、第２６巻、１９８７年、第５０５
５〜５０６０頁に記載された論文「光双方向連想メモリ
の設計とデバイス（Ｄｅｓｉｇｎｓ ａｎｄ ｄｅｖｌ
ｃｅｓ ｆｏｒ ｏｐｔｌｃａｌ ｂｉｄｉｒｅｃｔ
ｉｏｎａｌ ａｓｓｏｃｉａｔｌｖｅ ｍｅｍｏｒ
ｉｅｓ）Ｊ に、詳しく述べられている。しかし、こ
れらの方法では、学習を実時間に実現することができず
、より一般的なニューロモデルを実現することはできな
い。
この発明の目的は、光のインタコネクションを用いて、
学習可能な多層構造のニューロコンピュータのアルゴリ
ズムを高速に実行する光演算装置を提供することにある
。
学習可能な多層構造のニューロコンピュータのアルゴリ
ズムを高速に実行する光演算装置を提供することにある
。
［課題を解決するための手段］
この光演算装置は、光のインタコネクションを用いたニ
ューロコンピュータにおいて、発光素子をマ） ＩＪク
ス状に配置し、前記各発光素子の行方向または列方向の
各々を接続せしめた入力面と、前記入力面の各発光素子
と同じピッチを有し、前記入力面の各発光素子から出射
した光が各々入射するように、受光素子を配置せしめ、
前記入力面の各発光素子の接続方向と直交する方向に前
記各受光素子を接続せしめた出力面と、前記入力面と前
記出力面の間にある前記入力面の光源から出射した光の
強度を変調する光変調手段と、前記光機能素子の各受光
部からの出力と所望の出力の間の差を計算し、前記差を
小さくせしめるような前記光変調器のパタンを計算する
演算装置と、前記演算装置からの出力によって、前記光
変調手段のパタンを変化せしめる変調器駆動手段とを備
えることを特徴とする。
ューロコンピュータにおいて、発光素子をマ） ＩＪク
ス状に配置し、前記各発光素子の行方向または列方向の
各々を接続せしめた入力面と、前記入力面の各発光素子
と同じピッチを有し、前記入力面の各発光素子から出射
した光が各々入射するように、受光素子を配置せしめ、
前記入力面の各発光素子の接続方向と直交する方向に前
記各受光素子を接続せしめた出力面と、前記入力面と前
記出力面の間にある前記入力面の光源から出射した光の
強度を変調する光変調手段と、前記光機能素子の各受光
部からの出力と所望の出力の間の差を計算し、前記差を
小さくせしめるような前記光変調器のパタンを計算する
演算装置と、前記演算装置からの出力によって、前記光
変調手段のパタンを変化せしめる変調器駆動手段とを備
えることを特徴とする。
［作 用コ
この発明の原理を第２図、第３図、第４図を参照して説
明する。第２図は、２層構造のニューラルネットワーク
の例である。入力層１０１と出力層１０２のそれぞれに
、複数個のニューロンがあり、入力層の各二ニーロンと
出力層の各ニューロンが接続されている。各ニューロン
間の接続の強さは、それぞれ独立に変化させることがで
き、この強さを変えることによって、ネットワークを学
習させることができる。第３図は、２層構造のニューラ
ルネットワークを光学的に実現する装置の構成を示した
ものである。入力面２０１は入力層、出力面２０２は出
力層に対応し、ニューロン間の信号の伝達は、光を介し
て行な、う。ネットワークの接続の強さは、入力面と出
力面の間にある空間光変調素子２０３によって変化させ
る。第４図は、（ａ）入力層にある各ニューロンの出力
Ａと入力面２０１の関係、および、（ｂ）出力層にある
各ニューロンの入力Ｂと出力面２０２との関係を示す図
である。入力層の４個のニューロンの出力ＡＡ２． Ａ
３． Ａ４は、それぞれ行方向の発光素子に接続され、
入力データの大きさによって、行方向の発光素子の強度
が同時に変調される。例えば、入力Ａ２に着目した場合
、Ａ２の行方向の素子であるＡ２＋１Ａ２□ｇ Ａ２ｓ
＋ Ａ２４がすべて発光する。発光した光はコリメート
された後、出力面の受光部Ｂ２１、Ｂ２□、Ｂ ２３、
Ｂ ２Ｊに集光される。他の素子についても同様に動作
し、出力面の列方向の素子が接続されているので、例え
ば、出力Ｂ３に着目した場合、Ｂ３の列方向の素子であ
るＢ １３Ｎ Ｂ ２３、 ワークを構成できる。
明する。第２図は、２層構造のニューラルネットワーク
の例である。入力層１０１と出力層１０２のそれぞれに
、複数個のニューロンがあり、入力層の各二ニーロンと
出力層の各ニューロンが接続されている。各ニューロン
間の接続の強さは、それぞれ独立に変化させることがで
き、この強さを変えることによって、ネットワークを学
習させることができる。第３図は、２層構造のニューラ
ルネットワークを光学的に実現する装置の構成を示した
ものである。入力面２０１は入力層、出力面２０２は出
力層に対応し、ニューロン間の信号の伝達は、光を介し
て行な、う。ネットワークの接続の強さは、入力面と出
力面の間にある空間光変調素子２０３によって変化させ
る。第４図は、（ａ）入力層にある各ニューロンの出力
Ａと入力面２０１の関係、および、（ｂ）出力層にある
各ニューロンの入力Ｂと出力面２０２との関係を示す図
である。入力層の４個のニューロンの出力ＡＡ２． Ａ
３． Ａ４は、それぞれ行方向の発光素子に接続され、
入力データの大きさによって、行方向の発光素子の強度
が同時に変調される。例えば、入力Ａ２に着目した場合
、Ａ２の行方向の素子であるＡ２＋１Ａ２□ｇ Ａ２ｓ
＋ Ａ２４がすべて発光する。発光した光はコリメート
された後、出力面の受光部Ｂ２１、Ｂ２□、Ｂ ２３、
Ｂ ２Ｊに集光される。他の素子についても同様に動作
し、出力面の列方向の素子が接続されているので、例え
ば、出力Ｂ３に着目した場合、Ｂ３の列方向の素子であ
るＢ １３Ｎ Ｂ ２３、 ワークを構成できる。
例えば、この演算装置を用Ｂ３３、Ｂ４３の入射光量の
総和が出力される。この いて、デルタ学習剤を実現
するには、次式に従っ関係は、一般に、次式のように表
現できる。 て、重みＷｌ、を変化させればよ
い。
総和が出力される。この いて、デルタ学習剤を実現
するには、次式に従っ関係は、一般に、次式のように表
現できる。 て、重みＷｌ、を変化させればよ
い。
ΔＷｚ＝ｎ （Ｔ、＋−０，＋）Ｉ、、 ＊
＊ （３）この時、入力面と出力面の間にある空間光
変調素子によって、各素子に対応する部分の振幅透過率
を独立に変化させると、（１）式は次式のようになる。
＊ （３）この時、入力面と出力面の間にある空間光
変調素子によって、各素子に対応する部分の振幅透過率
を独立に変化させると、（１）式は次式のようになる。
ここで、ＷＩＩは空間光変調器の振幅透過率を表す。
（２）式は、出力層のニューロンの入力が、入力層のニ
ューロンの出力Ａ、とニューラルネットワークの重みＷ
ｌ、の積になることを表している。これは、ニューロモ
デルの基本的な演算であり、この光演算装置を用いて、
種々のニューラルネットここで、ｎは学習の回数、ＴＤ
は所望の結果、０２は光演算装置の出力、１．は学習の
重み付けを表す。デルタ学習剤の詳細は、例えば、雑誌
バイト（ＢＹＴＥ） １９８７年ＩＯ月号、第１５５〜
１６２頁に記載された論文「バックプロパゲーション（
Ｂａｃｋ−Ｐｒｏｐａｇａｔｌｏｎ） Ｊに、詳しく述
べられている。さらに、この装置では、第５図に示すよ
うに発光素子３０１と受光素子３０２が隣接して配置さ
れており、受光したデータを処理し、即座に隣接する発
光素子を変調させることができ、容易にデータをフィー
ドバックさせ、繰返し演算することができる。
ューロンの出力Ａ、とニューラルネットワークの重みＷ
ｌ、の積になることを表している。これは、ニューロモ
デルの基本的な演算であり、この光演算装置を用いて、
種々のニューラルネットここで、ｎは学習の回数、ＴＤ
は所望の結果、０２は光演算装置の出力、１．は学習の
重み付けを表す。デルタ学習剤の詳細は、例えば、雑誌
バイト（ＢＹＴＥ） １９８７年ＩＯ月号、第１５５〜
１６２頁に記載された論文「バックプロパゲーション（
Ｂａｃｋ−Ｐｒｏｐａｇａｔｌｏｎ） Ｊに、詳しく述
べられている。さらに、この装置では、第５図に示すよ
うに発光素子３０１と受光素子３０２が隣接して配置さ
れており、受光したデータを処理し、即座に隣接する発
光素子を変調させることができ、容易にデータをフィー
ドバックさせ、繰返し演算することができる。
このように、入力層のニューロンの出力によって発光素
子の強度を変化させ、重みの値によって空間光変調素子
の振幅透過率を変化させれば、光学的に、多層構造のニ
ューラルネットワークのインクコネクシ破ンを実現でき
る。
子の強度を変化させ、重みの値によって空間光変調素子
の振幅透過率を変化させれば、光学的に、多層構造のニ
ューラルネットワークのインクコネクシ破ンを実現でき
る。
［実施例コ
以下、この発明の詳細な説明する。
第１図は、この発明の光演算装置を実現する実施例の一
例を示す斜視図である。この光演算装置は、例えば半導
体レーザなどの発光素子と例えばＳＩの光検出器などの
受光素子を隣接して配置した０ＥＩＣなどの光機能素子
アレイ１．２と、例えばＴＮ液晶から構成されている液
晶テレビなどの階調表現可能な空間光変調器３と、発光
素子から出射した光をコリメートする、例えばマイクロ
レンズアレイなどのコリメーティングレンズ４と、空間
光変調器を透過した光を受光素子アレイに集光する、例
えばマイクロレンズアレイなどの集光レンズ５と、光機
能素子の発光部に電圧を印加する回路から構成される装
置 変調器に電圧を印加する回路から構成される変調器駆動
装置８とを備えている。
例を示す斜視図である。この光演算装置は、例えば半導
体レーザなどの発光素子と例えばＳＩの光検出器などの
受光素子を隣接して配置した０ＥＩＣなどの光機能素子
アレイ１．２と、例えばＴＮ液晶から構成されている液
晶テレビなどの階調表現可能な空間光変調器３と、発光
素子から出射した光をコリメートする、例えばマイクロ
レンズアレイなどのコリメーティングレンズ４と、空間
光変調器を透過した光を受光素子アレイに集光する、例
えばマイクロレンズアレイなどの集光レンズ５と、光機
能素子の発光部に電圧を印加する回路から構成される装
置 変調器に電圧を印加する回路から構成される変調器駆動
装置８とを備えている。
以上の構成の光演算装置において、光機能素子の発光部
は、入力層のニューロンの出力によって変調される。光
機能素子アレイ１の行方向の各素子はすべて電気的に接
続されており、また、光機能素子アレイ２の列方向の各
素子もすべて電気的に接続されている。光機能素子の発
光部から出射した光は、空間光変調器によって変調され
、対面する光機能素子アレイの受光部に集光され、出力
となる。また、空間光変調器のパタンをニューラルネッ
トワークの重みの値によって変化させる。
は、入力層のニューロンの出力によって変調される。光
機能素子アレイ１の行方向の各素子はすべて電気的に接
続されており、また、光機能素子アレイ２の列方向の各
素子もすべて電気的に接続されている。光機能素子の発
光部から出射した光は、空間光変調器によって変調され
、対面する光機能素子アレイの受光部に集光され、出力
となる。また、空間光変調器のパタンをニューラルネッ
トワークの重みの値によって変化させる。
さらに、得られた出力と所望の結果に対して、演算装置
によって（３）式を計算し、空間光変調器のパタンを変
化させることによって、学習が可能である。このように
して、ニューラルネットワークのインクコネクシロンを
光学的に実現できる。
によって（３）式を計算し、空間光変調器のパタンを変
化させることによって、学習が可能である。このように
して、ニューラルネットワークのインクコネクシロンを
光学的に実現できる。
この時、受光部と発光部が隣接して配置されているので
、受光されたデータを演算装置によって処理し、即座に
隣接する発光部を変調できる。この場合には、集光レン
ズ５がコリメーティングレンズの役割、コリメーティン
グレンズ４が集光レンズの役割を果し、２回目の演算が
実行される。
、受光されたデータを演算装置によって処理し、即座に
隣接する発光部を変調できる。この場合には、集光レン
ズ５がコリメーティングレンズの役割、コリメーティン
グレンズ４が集光レンズの役割を果し、２回目の演算が
実行される。
［発明の効果］
以上詳述したように、この発明の光演算装置を用いるこ
とにより、学習可能な多層構造のニューロコンピュータ
のアルゴリズムを高速に実行することができる。
とにより、学習可能な多層構造のニューロコンピュータ
のアルゴリズムを高速に実行することができる。
第１図は、この発明の光演算法の実施例を示す斜視図、
第２図は、２層構造のニューラルネットワークの例、第
３図は、ニューラルネットワークを光学的に実現する装
置の構成を示す図、第４図は、入出力データと入出力面
の関係を示す図である。図において、 １．２ ・・・・光機能素子アレイ ３ ・−・・・空間光変調素子 ４ １・・・コリメーティングレンズ ５ ・拳・・・集光レンズ ６．７ ・・・・駆動装置 ８ φ・・・拳変調素子駆動装置 １０１ ・・・・入力層 ・出力層 ・入力可 ・出力面 ・空間光変調素子
第２図は、２層構造のニューラルネットワークの例、第
３図は、ニューラルネットワークを光学的に実現する装
置の構成を示す図、第４図は、入出力データと入出力面
の関係を示す図である。図において、 １．２ ・・・・光機能素子アレイ ３ ・−・・・空間光変調素子 ４ １・・・コリメーティングレンズ ５ ・拳・・・集光レンズ ６．７ ・・・・駆動装置 ８ φ・・・拳変調素子駆動装置 １０１ ・・・・入力層 ・出力層 ・入力可 ・出力面 ・空間光変調素子
Claims (1)
- 光のインタコネクションを用いたニューロコンピュータ
において、発光部と受光部を隣接して配置した光機能素
子をマトリクス状に配置し、前記各光機能素子の行方向
または列方向の各々を接続せしめた第１面と、前記第１
面と同じ構造を有し、前記第１面の各発光部から出射し
た光が各受光部に入射し、各発光部から出射した光が前
記第１面の各受光部に入射するように前記第１面と対面
させて配置せしめ、前記第１面の各光機能素子の接続方
向と直交する方向に各光機能素子を接続せしめた第２面
と、前記第１面と前記第２面の間にある前記第１面の光
源から出射した光と前記第２面から出射した光の強度を
変調する光変調手段と、前記光機能素子の各受光部から
の出力と所望の出力の間の差を計算し、前記差を小さく
せしめるような前記光変調器のパタンを計算する２組の
演算装置と、前記演算装置からの出力によって、前記光
変調手段のパタンを変化せしめる変調器駆動手段とを備
えることを特徴とする光演算装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP21313088A JPH0261708A (ja) | 1988-08-26 | 1988-08-26 | 光演算装置 |
| US07/399,185 US5063531A (en) | 1988-08-26 | 1989-08-28 | Optical neural net trainable in rapid time |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP21313088A JPH0261708A (ja) | 1988-08-26 | 1988-08-26 | 光演算装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0261708A true JPH0261708A (ja) | 1990-03-01 |
Family
ID=16634074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP21313088A Pending JPH0261708A (ja) | 1988-08-26 | 1988-08-26 | 光演算装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0261708A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5220642A (en) * | 1989-04-28 | 1993-06-15 | Mitsubishi Denki Kabushiki Kaisha | Optical neurocomputer with dynamic weight matrix |
-
1988
- 1988-08-26 JP JP21313088A patent/JPH0261708A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5220642A (en) * | 1989-04-28 | 1993-06-15 | Mitsubishi Denki Kabushiki Kaisha | Optical neurocomputer with dynamic weight matrix |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Optical neural networks: progress and challenges | |
| JP3707804B2 (ja) | 光学情報処理装置 | |
| US5004309A (en) | Neural processor with holographic optical paths and nonlinear operating means | |
| Caulfield | Optical neural networks | |
| US20220044100A1 (en) | Parallel architectures for nanophotonic computing | |
| Song et al. | Artificial optoelectronic synapse based on spatiotemporal irradiation to source‐sharing circuitry of synaptic phototransistors | |
| Saxena et al. | Adaptive multilayer optical neural network with optical thresholding | |
| US5220643A (en) | Monolithic neural network element | |
| JPS63502624A (ja) | 光デ−タ処理システム及びマトリックス反転、乗算、及び加算方法 | |
| JPS61179424A (ja) | 並列光演算子 | |
| US5220642A (en) | Optical neurocomputer with dynamic weight matrix | |
| CN115809694A (zh) | 基于多波长并行的多任务衍射神经网络设备及处理方法 | |
| JPH0261708A (ja) | 光演算装置 | |
| JPH0259916A (ja) | 光演算装置 | |
| JPH0261709A (ja) | 光演算装置 | |
| JPH0490015A (ja) | 光ニューロコンピュータ | |
| TWI906972B (zh) | 光學電路及用於人工智慧加速器執行光學計算的方法 | |
| JPH0259914A (ja) | 光演算方法 | |
| JPH0259915A (ja) | 光演算方法 | |
| JP2643521B2 (ja) | 演算装置 | |
| JPH03256032A (ja) | 光演算装置 | |
| WO2025210639A1 (en) | Method and system for photonic manipulation | |
| JP2778176B2 (ja) | 光演算装置 | |
| JPH0261623A (ja) | 光演算方法 | |
| Dang | P-ReTiNA: Photonic Tensor Core Based Real-Time AI |