对象分类系统和方法与流程

发明领域

本发明涉及基于光波的计算领域。更具体而言，本发明涉及使用混合单元以低损耗进行基于光波的计算的方法和系统。

发明背景

人们越是被大数据淹没，就越让计算机接管数据处理。因此，机器学习是当前计算机科学和统计中发展最快的学科之一。然而，大部分这种处理仍发生在高耗电计算机上的软件中。

替换的硬件实现是专门被设计用于高效光学计算的所谓的储层计算机(reservoircomputer)。储层计算是专注于时间相关数据的处理的机器学习分支。它最初是在2000年代早期作为使用具有内部反馈的未经训练神经网络结合经训练的线性读出层来执行对时间数据的分类的方法而提出的。通过所谓的递归网络中的非线性节点的反馈执行对信号的非线性混合，并向系统提供衰退存储器。

2014年已由kristofvandoorne等人在naturecommunications5(自然通信第5卷)(2014)中提出了基于相同储层计算原理的无源光子储层计算机。然而，所提出的实现受到来自与系统中所使用的组合器序列相关联的3db损耗的基本缩放限制。

无源光子储层可被用于多种应用。然而，储层可以执行的任务的复杂度取决于组成该储层的神经元数目，这些损耗也限制了可以执行的任务的复杂度，并且因此仍有改进的空间。

发明概述

本发明的各实施例的目的是基于混合单元提供显示出低损耗的高效的基于无源光子波的计算方法和系统。

本发明涉及一种用于对对象进行分类的对象分类系统，该对象分类系统包括：被适配用于辐照感兴趣对象的成像区域；阵列式检测器；以及混合单元，该混合单元被配置用于：在该混合单元与感兴趣对象相互作用之后并且在所述检测之前，通过将源自感兴趣对象的辐照反射或散射平均至少三次来混合该辐照。混合单元可以被配置用于：在该混合单元与感兴趣对象相互作用之后将辐照反射或散射平均至少五次，例如平均至少十次。混合单元可以包括多个散射体。替换地，混合单元也可以是具有反射壁的腔，该反射壁包括输入和多个输出。还进一步描述了混合单元的各示例。

在本发明的实施例中，在引用“复合散射或反射”或“辐照被散射或反射平均至少n次”时，这可以包括辐照的平均至少n个不同部分可以按不同方式被散射或反射(即，在空间上)和/或辐照的相同部分平均被散射或反射至少n次(即，在时间上)。n由此可以是大的数字，诸如举例而言3、5或10。对于空间反射，这包括其中辐照的一部分仅被混合单元反射或散射一次或者甚至从未被反射或散射的情况。换言之，这可以包括其中来自对象的辐射的许多不同部分以不同方式被反射或散射的情况。替换地，这可以被表述为辐照的显著部分被反射或散射至少一次，其中显著部分可以是被对象前向散射的全部光的至少五分之一。当在特定实施例中散射体被放置在各层中时，复合散射或反射条件或辐照被散射或反射平均至少n次的条件由此包括其中使用单层散射体的实施例，由此在不同的空间位置辐射将在不同位置以不同方式被散射。

该系统进一步可以包括分类器，该分类器用于基于在所述混合之后获得的辐照来对对象进行分类。分类器可以是线性分类器，或者可以是更复杂的分类器，诸如举例而言前馈神经网络。

阵列式检测器可以是线扫描图像传感器。

线性分类器可以在电场中实现，从线扫描图像传感器接收输入信号。

线性分类器可以基于输入信号的加权和。

混合单元可以包括散射对象的随机集合。

散射对象可以是散射柱。

散射对象的随机集合可以被放置在腔中。散射对象可以被布置在多个层中，每层包括一行随机放置的散射对象。

混合单元可包括可由氮化硅形成的腔，并且散射柱由二氧化硅制成。

混合单元可以是光子晶体腔。

混合单元可以是由硅制成的腔，其中铁电薄膜被涂覆在该腔上。

混合单元可以是由硅棒制成的光子晶体腔，其中在中间引入非线性聚合物。

混合单元可包括由iii-v材料制成的腔。

该系统可包括在分层布置中耦合的多个混合单元。

在分层布置中耦合的混合单元可以包括：负责输入信号中的较低级特征的第一混合单元；以及用于负责较高级特征的其他混合单元。

被适配用于辐照感兴趣对象的成像区域可包括用于在流体中携带对象的微流体通道。

该系统可以是细胞分类系统。

本发明还涉及将对象分类系统用于对细胞进行分类的用途。

本发明进一步涉及一种用于对对象进行分类的方法，该方法包括：辐照感兴趣对象；在与感兴趣对象相互作用之后并且在检测器中检测辐照之前，通过使用混合单元反射或散射平均至少三次来混合该辐照；以及使用阵列式检测器来检测经混合辐照。该方法可以包括对检测到的经混合辐照应用线性分类。

混合可以包括混合静态的非时间相关辐照信号，检测所述经混合信号，以及从中推导出感兴趣对象的分类。

本发明涉及一种被配置用于执行基于波的计算的基于无源光子波的计算系统，该系统包括混合单元，该混合单元包括至少一个输入和多个输出，该混合单元进一步被配置用于：以复合方式将经由所述至少一个输入接收到的光束朝向所述多个输出中的至少一个输出进行反射或散射。混合元件可以是光子晶体腔，或者可以是基于散射的混合单元。要注意，混合单元通常可以显著大于波长或大于波长的量级。混合单元可以比将与该系统联用的波长至少大5倍。

该至少一个输入可以是多个输入。混合单元具有多个输出。此类输出可以例如使用加权和求和进行组合，以使得整个基于波的计算系统可以仅有单个输出。

本发明的各实施例的优点在于，混合单元允许提供对输入辐射的良好混合，而不会发生大的损耗。后者是通过避免使用系统中的至少一些组合器和分离器并且替代地使用混合单元来获得的。

在本发明的实施例中引用腔的情况下，引用的是光子器件中通常填充有透明材料的区域，该区域对于系统可以对其使用的辐射的波长而言是透明的，并且在边缘包括反射元件，例如，反射壁。

混合单元可以被配置在基于无源光子波的计算系统中，以使得其充当用于辐射信号的衰退存储器。

混合单元可以是包括多个反射壁的腔，以使得来自输入的辐射在多次反射之后最终将到达输出端口。

混合单元可以是光子晶体腔。

混合单元可以具有四分之一体育场的形状。

输入和/或输出波导可以通过绝热锥形体连接到混合单元。

混合单元可以是由硅制成的腔，其中铁电薄膜被涂敷在该腔上，其中混合单元是由硅棒制成的光子晶体腔，其中在中间引入非线性聚合物，或者其中该腔由iii-v材料制成。

该系统可以包括在分层布置中耦合的多个混合单元。

在分层布置中耦合的混合单元例如可以包括：负责输入信号中的较低级特征的第一混合单元；以及用于负责较高级特征的其他(诸)腔。

混合单元可以包括散射对象的随机集合。

散射对象可以是散射柱。

散射对象的随机集合可以被放置在腔中。

腔可以由氮化硅形成，并且散射柱可以由二氧化硅制成。

本发明还涉及一种用于执行基于光子波的计算的方法，该方法包括：将光学输入信号施加到混合单元的一个或多个输入，允许光学信号在混合单元中传播，所述传播包括将经由所述至少一个输入接收的所述光学信号朝向多个输出中的至少一个输出进行复杂反射或散射，并且由此在所述多个输出中的至少一个输出中获得非线性读出。非线性读出是在被检测器检测到之后获得的。在本发明的至少一些实施例中，严格来说，所执行的方法不是常规的储层计算技术，而是该概念的某种空间变型，这是因为输入是静态的。在本发明的各实施例中，通常不使用时间相关信号。

此外，该方法可以包括以离散的时间间隔对信号进行采样以将信号组合成单个输出信号。

在所附独立和从属权利要求中阐述了本发明的特定和优选方面。来自从属权利要求的特征可以与独立权利要求的特征以及其他从属权利要求的特征恰适地组合，而不仅仅是如在权利要求中明确阐述的。

参照下文描述的(诸)实施例，本发明的这些和其他方面将变得显而易见并得以阐明。

附图简述

图1解说了根据本发明的实施例的混合单元，该混合单元包括具有多个输入和输出连接器的光子晶体腔。

图2a和图2b解说了根据本发明的实施例的针对具有9个或5个连接波导的腔的脉冲衰减。

图3解说了根据本发明的实施例的q因子和t1/2随着出射波导数目增加的谐波衰减。

图4解说了根据本发明的实施例的以离散时间间隔对检测到的信号的采样。

图5解说了根据本发明的实施例的包括多个散射体的混合单元。

图6a到6c解说了根据本发明的示例性实施例的散射体对入射辐射信号的影响。

图7解说了作为延迟的函数的ber。

图8a描述了针对9个连接波导与5个连接波导的误差。图8b描述了在100gps下以及针对snr＝3的最佳延迟(1.55比特周期)的目标和预测比特流。

图9a解说了基于波的计算系统可以区分多达4个比特而没有误差，并且图9b解说了对于5比特长度的报头，每个报头的平均误差率仍然远低于5％，从而解说了本发明的实施例的优点。

图10解说了如可以在本发明的各实施例中使用的用于分辨不同报头的线性判别分析。

图11a和图11b解说了在没有散射体且噪声增加的情况下(图11a)以及在具有4层散射体且噪声增加的情况下(图11b)分类的测试和训练误差，从而解说了本发明的实施例的特征。

图12a和图12b解说了在没有散射体并且噪声没有增加的情况下(图12a)以及在具有4层散射体并且噪声没有增加的情况下(图12b)分类的测试和训练误差，从而解说了本发明的实施例的特征。

图13到图17分别针对1、2、3、4或5层配置解说了根据本发明的实施例的作为二氧化硅散射体的随机位移幅度的函数的测试误差。

图18a和18b针对不同波长解说了由于细胞核大小的小幅增加引起的所获取全息图的变化(图18a)，并针对不同波长解说了由于散射体的存在而引起的作为细胞核大小的函数的所收集远场强度的光学损耗(图18b)，从而解说了发明的实施例的特征。

图19a和图19b针对波长337.1nm解说了在没有散射体并且噪声增加的情况下(图19a)以及在具有4层散射体并且噪声增加的情况下(图19b)分类的测试和训练误差，从而解说了本发明的实施例的特征。

图20a和图20b针对波长337.1nm解说了在没有散射体并且噪声没有增加的情况下(图20a)以及在具有4层散射体并且噪声没有增加的情况下(图20b)分类的测试和训练误差，从而解说了本发明的实施例的特征。

权利要求中的任何附图标记不应被解释为限制范围。

在不同的附图中，相同的附图标记指代相同或相似的元件。

解说性实施例的详细描述

将关于特定实施例并参照某些附图来描述本发明，但本发明不限于此，而是仅由权利要求书来限定。所描述的附图仅是示意性的而非限制性的。在附图中，出于解说目的，一些元件的大小可能被放大并且未按比例绘制。尺寸和相对尺寸不对应于本发明实践的实际缩减。

此外，说明书中和权利要求书中的术语第一、第二等等用于在类似的要素之间进行区分，而不一定用于在时间上、空间上、以排名或任何其他方式来描述顺序。要理解，如此使用的术语在恰适的情况下是可互换的，并且本文所描述的本发明的实施例能够以不同于本文所描述或解说的其他顺序来操作。

此外，说明书和权利要求书中的术语顶部、下方等等用于描述性目的，而不一定用于描述相对位置。要理解，如此使用的术语在恰适的情况下是可互换的，并且本文所描述的本发明的实施例能够以不同于本文所描述或解说的其他取向来操作。

要注意，权利要求书中使用的术语“包括”不应被解释为限定于其后列出的装置；它并不排除其他要素或步骤。因此，该术语应被解释为指定提及的所陈述特征、整数、步骤或组件的存在，但不排除一个或多个其他特征、整数、步骤或组件或其群组的存在或添加。由此，表述“一种包括装置a和b的设备”的范围不应当被限制于仅由组件a和b构成的设备。这意味着对于本发明，该设备的仅有的相关组件是a和b。

贯穿本说明书对“一个实施例”或“实施例”的引用意指结合该实施例描述的特定的特征、结构或特性被包括在本发明的至少一个实施例中。由此，短语“在一个实施例中”或“在实施例中”贯穿本说明书在各个地方的出现并不一定全部指代同一实施例，而是可以指代同一实施例。此外，在一个或多个实施例中，如从本公开中对本领域普通技术人员将是显而易见的，特定的特征、结构或特性可以用任何合适的方式进行组合。

类似地，应当领会，在本发明的示例性实施例的描述中，出于简化本公开并帮助理解各种发明性方面中的一个或多个方面的目的，本发明的各种特征有时被一起组合在单个实施例、附图或其描述中。然而，该公开方法不应被解释为反映所要求保护的发明需要比每项权利要求中所明确记载的更多特征的意图。相反，如所附权利要求反映的，发明性方面在于比单个前述公开的实施例的全部特征少的特征。由此，本详细描述所附的权利要求故此被明确地纳入该详细描述中，其中每项权利要求本身代表本发明的单独实施例。

此外，如将由本领域技术人员所理解的，尽管本文中所描述的一些实施例包括其他实施例中所包括的一些特征但不包括其他实施例中所包括的其他特征，但是不同实施例的特征的组合旨在落在本发明的范围内，并且形成不同实施例。例如，在所附的权利要求书中，所要求保护的实施例中的任何实施例均可以任何组合来使用。

在本文所提供的描述中，阐述了众多具体细节。然而要理解，可以在没有这些具体细节的情况下实践本发明的实施例。在其他实例中，未详细示出公知的方法、结构和技术，以免混淆对本描述的理解。

在第一方面，本发明涉及一种用于对对象进行分类的对象分类系统，该对象分类系统包括：被适配用于辐照感兴趣对象的成像区域；阵列式检测器；以及混合单元，该混合单元被配置用于：在该混合单元与感兴趣对象相互作用之后并且在所述检测之前，通过将源自感兴趣对象的辐照反射或散射平均至少三次来混合该辐照。这可意味着辐照的至少三个部分可以按不同方式被反射和/或辐照的相同部分可以被相继反射三次。在一些实施例中，该对象分类系统有利地还包括分类器，该分类器用于基于在所述混合之后获得的辐照来对对象进行分类。分类器可以是线性分类器或更复杂的分类器。进一步在说明书中，通过解说的方式，将对示例性对象分类系统进行描述和仿真，从而示出根据本发明的实施例的对象分类系统的标准和可任选特征以及优点。混合单元的类型可以基于散射体和/或可以基于具有反射壁的腔。此类混合单元可以对应于如在本说明书的进一步方面中描述的针对基于无源光子波的计算系统所公开的混合单元。各特征和优点可以经必要的修改应用于对象分类系统。

在一个方面，本发明还涉及将对象分类系统用于对对象(诸如举例而言细胞)进行分类的用途。在一些实施例中，对象分类系统可以被应用于在健康细胞和非健康细胞(诸如举例而言癌变细胞)之间进行区分。然而，实施例不限于此，并且还可以设想其他应用，诸如举例而言对不同类型的生物细胞(例如，血细胞)、不同类型的微粒(还具有无机性质)、不同类型的流动流体进行分类或检测，在不同大小和/或不同组成的颗粒之间进行区分等等。

在另一方面，本发明涉及一种用于对对象进行分类的方法，该方法包括：辐照感兴趣对象；在与感兴趣对象相互作用之后通过使用混合单元反射或散射至少三次来混合该辐照，以及使用阵列式检测器来检测经混合辐照。这可意味着辐照的至少三个部分可以按不同方式被反射和/或辐照的相同部分可以被相继地反射三次。混合可以包括混合静态的非时间相关辐照信号，检测所述经混合信号，以及从中推导出感兴趣对象的分类。该方法还可以包括对检测到的经混合辐照应用例如线性或更复杂的分类。更一般而言，该方法还可以包括应用非线性后处理。进一步的方法步骤可以对应于本说明书中描述的设备方面的特征的功能性。

在又一方面，本发明涉及一种被配置用于执行基于波的计算的基于无源光子波的计算系统。基于波的计算与储层计算具有相似性。然而，可以利用时间无关信号，而对于储层计算，通常使用时间相关信号。根据本发明的实施例，该系统包括具有至少一个输入和多个输出的混合单元。要注意，虽然混合单元通常具有多个输出，但整个基于波的计算系统可以具有单个输出，由此例如通过对来自混合单元的输出的经加权信号进行组合(例如，求和)来获得整个系统的单个输出。混合单元进一步被配置用于将经由所述至少一个输入接收到的光学信号朝向所述多个输出中的至少一个输出进行复杂反射或散射。基于波的计算系统可以按多种方式来实现。将描述两种特定的实现，在其一种实现中，混合单元基于光子晶体腔，该光子晶体腔包括用于以复合方式反射经由至少一个输入接收到的光学信号的反射壁；而在其第二实现中，混合基于多个散射元件(例如，柱)。下面将描述这两种类型的实现的示例，各实施例不限于此。除了包括至少一个输入和多个输出的混合单元之外，基于波的计算系统还可以包括用于处理混合单元的输出的读出层、以及用于输出系统结果的另一输出。该计算系统可以包括非线性度。该计算系统还可以包括以光学方式或以混合光电方式实现的静态存储器。

通过解说的方式，将参照图1进一步描述其中混合单元基于光子晶体腔的实施例，该光子晶体腔包括用于以复合方式反射光学信号以混合该光学信号的反射壁，图1示出了包括基于光子晶体的腔以及多个输入和输出连接器的混合单元的示意图。

腔12被设计和优化为基于无源光子波的计算系统的混合单元1，以使得实现对输入的良好混合，例如，通过在大量反射13之后对腔12内部的传播波方向的有效随机化来实现。腔形状通常显示弯曲的特征，例如四分之一体育场腔的弧形，但是许多其他腔形状也可以被视为混合单元。在特定示例中，四分之一体育场设计可以显示出30μm和15μm长的半轴，但是这些数字可以根据要解决的特定任务和所需的输入信号速度而改变。本发明的优点在于在混合规程中显示出低损耗，这是通过在部分地传送到一个或多个输出14之前从反射腔壁11的多次反射13来实现的。腔的包封边界11壁的高反射率可以通过使用包括硅中气孔的规则晶格的光子晶体结构来获得，但不限于此，并且可以构想腔壁的其他材料界面。与由连接到腔的该多个输入和输出端口10诱发的耦合损耗相比，材料和制造中的传播损耗、散射损耗、表面损耗和其他缺陷源通常较小。因此，输入和输出连接器10的数目构成了腔的质量因子(q因子)的主要控制变量。q因子与腔12通过其一个或多个输入连接器10的激发的寿命有关；任何激发通过损耗机制的最终衰减为无源光子计算系统提供了一种形式的衰退存储器。以低误差率执行计算任务的输入和输出连接器的合理最小数目通常范围在5到9之间，这对应于3000到5000之间的q因子，但是在一些情形中不同的选择可引起更好的结果。可以通过减少输入和输出连接器的数目来获得较高的q因子，这会产生更好的系统存储器，但以系统带宽作为交换。

所描述的实施例的优点在于，输入连接器10可以同时用作输出连接器，由此限制了整个系统的复杂度。此外，输入或输出连接器10通常包括连接到外部输入或输出波导的绝热受控锥形体101以及光子晶体结构内部的缺陷波导102，这两者确保输入和输出辐射信号被传递到腔12并从腔12耦合出。锥形部分101可以被定制成注入或提取给定比例的入射辐射信号，因此是用于控制腔的q因子的另一手段。典型透射率值的范围从30％到95％，但可以相应地并在个体基础上进行适配。此外，尽管不需要，但可以向输入或输出连接器10添加延迟线，以提供增大的存储器以及混合单元1的更好的信号混合性质。

此外，本发明的实施例可以受益于腔12的平坦表面结构，该平坦表面结构理想地适合于沉积薄膜涂层(例如，铁电薄膜)，但不限于此。以可能的方式，基于由硅棒制成的光子晶体壁包围的空气的腔区域12是本发明的实施例，该腔区域12可以填充有非线性材料，例如非线性聚合物。另一种可能性是将腔12图案化为iii-iv材料。所有提到的可任选特征为混合单元1提供了增强的非线性响应，这可引起无源光子计算系统的增加的效率或计算能力。

本发明的优点可以是将若干个混合单元1堆叠在一起或将它们组合成分层架构，这可以允许更高效地分配计算资源，更快地解决问题或处理推导出的高级特征。

通过解说的方式，将参照图1描述进一步的特征和特性。在输入波将在腔中获得所有可能波矢量的意义上，所示的特定四分之一体育场形状通常显示出有趣的动力学并得到场的完全混合。混合单元表现得像基于波的计算所必需的衰退存储器。

关于其操作，为了以一定的比特率执行操作，腔的寿命应当至少大于比特周期。除了优化q因子和波导耦合之外，如果想要以较低的比特率处理信号，还可以简单地增加腔的大小。这是有效的选项，因为与散射和耦合损耗相比，传播损耗较小。

与腔的q因子紧密相关的另一重要参数是腔中脉冲的半衰期t1/2，这被认为是场的包络幅度达到原始幅度的一半的点。半衰期根据下式与q因子相关：

通过解说的方式，图2a和图2b解说了如图2中所示的具有9个连接波导或具有5个连接波导的腔的脉冲衰减。示出了针对腔中具有5ps半衰期的脉冲的衰减。半衰期与q因子一样是系统存储的决定性因素。减少数目的连接波导(b)产生8.2ps的较高t1/2(并且由此产生较长的存储)，而较多的连接波导产生4.42ps的较短半衰期t1/2，这会得到较短的存储。图3解说了q因子和t1/2随着出射波导数目的增加而单调衰减。

显而易见，较高的脉冲半衰期将得到较长的(衰退)存储。

因此(如图2b和图3中所描绘的)，可以通过减少连接波导的数目来显著增加存储。然而，这减少了读出可以使用的输出节点的数目。在腔的计算能力(出射波导的数目)和腔的存储(q因子)3之间由此将存在明显的折衷。该折衷很大程度上还将取决于正在研究的应用，从而使得难以给出具体的指导准则。然而，q因子应当大于3000，以执行有用的操作。

在一些实施例中，包覆被用于进一步设计腔。包覆可以由光子晶体制成，但替换地，在一个示例中，整个腔实际上可以仅由具有空气包覆的硅制成。然而，为了减少损耗，可以优选光子晶体腔。该设计可以由具有气孔的硅板或者甚至逆向选项组成。设计腔的第一步骤优选地包括针对期望的波长范围来优化q因子。例如可以通过对光子晶体的晶格常数和光子晶体的半径的不同值执行若干个fdtd仿真来完成该优化。接着，入射耦合的入射效率可以通过优化绝热锥形体来优化，其中以绝热方式系统地引入光子晶体的孔。

在一些实施例中，如果腔内的光强度足够高，则硅的非线性度变得越来越重要。在基于波的计算的上下文中，这些非线性度可以产生重要的额外计算能力。为了增强硅的这些固有非线性度，原则上可以在腔的顶部沉积非线性薄膜，诸如铁电材料linbo3或batio3。另一种方式是具有由硅棒制成的光子晶体腔，其中在中间(空气腔)引入一些非线性聚合物，诸如罗丹明。第三种选项是例如由已知的iii-v材料制造腔，其中该材料的固有非线性度高于硅的非线性度。

在一些实施例中，信号可以被输入到多于一个接入波导中。例如，在一个波导中输入原始输入而在另一波导中输入适当延迟的信号将引起更好的混合。

在一些实施例中，作为存储器输出折衷的可能解决方案，利用分层中的多个耦合光子晶体腔，其中第一腔负责输入信号中的较低级特征，而接下来的腔负责较高级特征。替换地，当需要检测例如8比特图案时，可以有一个腔来识别前4个比特，以及具有适当延迟的第二腔来检测后4个比特。该信息随后可以被组合到较高级读出层中以检测完整的8个比特。

同样通过解说的方式，进一步讨论了其中基于波的计算系统的混合单元基于(可任选地在腔中的)多个散射体的实施例。该实施例的示例在图5中示出，本示例适合于标识细胞类型(例如，癌细胞)，并且更具体而言通过使用基于波的计算对全息图进行直接处理来标识，但是本发明不限于此，并且还可以执行其他类型的表征。

该多个散射体的散射体配置具有大量的自由度，并且即使使用智能方法作为进化算法，其完整探索也将在计算上相当昂贵。实际上，对于每种测试配置，必须执行数百或数千次仿真，以便为分类器提供足够数量的训练和测试样本。因此，仅探索了控制所收集干涉图案的复杂度的一些通用参数，以寻找分类器性能的最大值。在本示例中，散射体被放置在各层中，例如图5中所示的垂直层中，其中各层中心之间的平均垂直距离为1μm。每个散射体的中心相对于其在层中的无扰中心沿垂直和水平方向两者随机位移。从相同的均匀概率分布中对所有随机位移进行采样。针对结构优化所考虑的参数为：

_散射体随机位移的幅度a随机；

_各层之间的水平距离d；

_层数n层。

在图6a、6b和6c中给出了这些参数能够如何修改干涉图案的示例。图6a解说了没有散射体的情况，图6b解说了具有4层散射体而没有随机位移的情况，并且图6c解说了具有4层散射体且有随机位移的情况。可以看出，对于这种特定体现，在不存在散射体的情况下，干涉图案相对简单且平滑并被限定在-6°至6°之间，在具有4层散射体而没有随机位移的情况下，干涉图案仅在-50°至50°之间的界定角区域中显示出峰值，并且在4层随机放置的散射体的情况下，干涉图案复杂并且在-60°至60°之间显示出强度峰值。

在另一方面，本发明提供了一种用于在基于波的光子系统上执行计算的方法。

根据各实施例的方法包括将输入施加到一个或若干个连接的输入，例如，输入腔波导。在下一步骤中，信号随后传播通过混合单元并以复杂并且很可能非线性的方式混合。原始信号的混合以无源方式发生，直到信号被输出为止。对于输出，可以应用二次非线性，由幅度和相位组成的复合信号可以得到信号的实值幅度。这通常在使用光电二极管读出时发生。在读出步骤之后，在一些示例中，可以以离散的时间间隔对读出信号进行采样，以使用预训练的权重将其组合成单个输出信号。采样在图4中示出。

通过解说方式，下面将描述基于包括光子波导腔的混合单元的特定实施例。该示例性方法包括后文描述的以下步骤，但是不排除对所述步骤的修改和扩展。

利用输入连接器10的绝热锥形体101和缺陷波导102将一个或多个输入信号注入到腔12的主体中。输入信号通常是被引导、经时间编码和调制的光子波，这些光子波被耦合到围绕混合单元1并端接于输入连接器10的携带信号的波导中。注入到腔12中的每个输入信号都经历从腔壁11离开的长序列的反射13，同时通过缺陷波导102的末端处孔的衍射现象而扩散。腔12内部的反射13和激发波的传播通常几乎是无损的。在腔12内部传播期间，激发波遇到腔壁的刺穿部分14、输出连接器10，其目的是将入射在该连接器上的一部分光波耦合出来。从腔12耦合出的波随后被路由到检测单元(例如，集成的光检测器模块)，该检测单元应用非线性读出变换。通常这恰好是将复数域中的光子引导信号转换为仅在实数域中的电子对等信号；非线性变换是将电场强度转换成对应光功率值的平方取模。在后续步骤中，可以以规则的时间间隔对非线性变换的信号进行采样，并通过线性加权函数将其组合成单个输出信号。

在一个方面，本发明还涉及一种方法，其中混合步骤是通过使用多个散射元件(例如，柱)进行散射来执行的。混合信号的输出随后可以被引导到检测单元，在该处可以评估输出信号。

示例1：

在第一示例中，讨论了对如图1中所示的基于波的计算系统的基准测试。

信号存储的第一基准是以一定延迟量再现确切输入的能力。从图7可见，对于当前设计，存在宽的操作区域。使用5个输出使得能够以较大的延迟再现输入，这是行得通的，因为对于5个输出q因子增加并且由此存储增加。

解说执行布尔运算能力的第二基准是非线性异或(xor)任务，其中该xor在分隔开k比特的两个比特bⁿ和b^n-k之间进行。由于正常的常规线性分类器仅能够实现最小25％的误差率，因此它也是系统非线性度的良好性能指标。

首先，在连续增大比特间隔的同时评估对两个相邻比特的xor的性能。将这称为因xor而异的储层存储，因为它是基于波的计算系统能够记住两个比特的经组合xor的良好程度的指标。如图8a和8b中可见，性能明显比延迟存储差。

与线性存储任务相反，基于波的计算系统的性能实际上并不取决于被用作输入波导的波导数目，如图8a和8b中可见。

这可能是因为在该情形中，性能由任务的非线性特性确定和限制，而不那么由线性存储器容量确定和限制。

实际上，对储层性能进行分类的最重要数据可能是在其最优操作时的比特率。基于波的计算系统在相邻比特之间的xor运算bⁿxorb^n-1的性能。对于具有9个连接波导的基于波的计算系统，该运算在45gbps下是最佳的。该比特率可能看似较高，但可以通过创建更大的腔容易地降低该最佳比特率。因此，还选择通过无量纲参数t1/2/tbit来量化最佳性能。这允许通过微调其设计参数来容易地缩放基于波的计算系统的操作范围。

作为更有用和通用的任务，基于波的计算系统在识别比特流中的报头时的性能被评估。简单的腔对于报头识别任务可以很好地执行，具有多达4比特报头的无误差识别，同时也可以实现针对5比特报头的非常良好的性能。注意，如上文提到的，针对较高比特数的性能可以由级联系统通过针对报头的不同子集训练每个级联系统来改善。在该情形中，线性判别分析被用作线性分类算法。该算法允许将9维(连接波导的数目)输出状态投射到较低维状态，如图9a、图9b和图10中所示。

示例2：

在第二示例中，包含嵌入在氮化硅中的一组二氧化硅柱散射体(如图5中所示)的简单无源光子芯片被用作生物细胞全息图投影和线扫描图像传感器之间的接口，以简化并加速对所获取图像的机器学习处理。具体而言，通过2dfdtd仿真来对沿着装备有数字全息显微镜的微流体通道流动的不同细胞核大小的细胞分类进行仿真。采用散射体以更好地利用将细胞折射率结构(以及施加在入射光上的对应相移)与由传感器收集的辐射强度进行关联的非线性关系。以此方式，可以控制非线性阶段的复杂度，以提高作用在传感器像素的输出上的线性分类器的性能。所提出的实现解说了本发明的实施例对时间相关信号采用众所周知的基于波的计算技术的相同原理，并将它们应用于空间相关信号。将表明，散射体的确切几何细节似乎与实现良好性能不那么相关。然而，对于要区分的不同情况，所使用的光的波长应得到足够的光路长度差。

通过解说方式，将进一步描述如图5中所示的使用基于无源波的系统来检测细胞的结果。

该过程经由2dfdtd仿真进行研究以作为概念验证，对在与光子芯片相接的微流体通道中流动的细胞的3d情况进行近似。离开散射体群集的光的远场强度随后被近似仿真线扫描图像传感器的虚拟像素阵列收集。像素输出被馈送到可以在电域中实现的线性分类器中。

在微流体通道中的细胞和所提出的二氧化硅散射体两者都采用lumerical的fdtdsolutions软件在相同的2dfdtd仿真中(图5)进行建模。恒定强度的单色平面波(真空波长λ＝532nm)横向入射在填充有水的微流体通道(15μm宽)上。该通道与包含嵌入在si3n4中的由sio2制成的椭圆形散射体层的区域(0.5μm宽和1μm长)相接。在散射体区域的末端，垂直远场监视器覆盖仿真空间的总长度。取决于散射体层的数目，仿真区域沿垂直方向的长度为28μm并且沿水平方向的长度为20μm至30μm。筛孔尺寸为λ/13。

应当强调，这项工作的范围是提供对用于光子机器学习的新办法的概念验证，除了基于细胞核大小的细胞分类之外，该办法还可以推广到许多其他实现。因此，仿真的维度、结构尺寸和细胞模型是在接近现实、节省计算时间和足够复杂(但不太过度)任务的搜索之间进行折衷的结果。在任何情形中，除了散射体之外的所有仿真对象都都是独立于分类结果来设计的。

细胞模型

细胞模型由围绕细胞核区域(n细胞核＝1.399)的细胞质区域(n细胞质＝1.37)组成。为了使每次仿真具有不同的细胞形状，基于畸变椭圆采用2d随机化细胞模型。考虑极坐标中的椭圆方程(ρ是距原点的距离，并且θ是相对于水平轴的角度)：

通过以下替换来引入表面调制：

ρ→ρ(1+acos(ωθ))

另外，经由下式通过添加噪声高频调制来对细胞外表面的不规则性进行仿真：

ρ→ρ+brands

其中rands是针对表面的每个点从-1到+1的均匀分布中采样的随机数。使用1000个顶点多边形来设计细胞质和细胞核，并且最后一次替换在细胞模型中引入1000个随机变量。其他参数如下进行选择(下标c代表“细胞质”，并且n代表“细胞核”)：

对于细胞质

ac＝bc＝(5+0.5rand)μm,ac＝0.1+0.09rand,ωc＝(3+2.7rand)rad^-1,bc＝0.2并且对于细胞核

an＝0.1+0.09rand，ωn＝(3+2.7rand)rad^-1，bcn＝0。此处rand是具有从-1到+1的均匀分布的随机变量。另外，细胞质和细胞核中心位移分别由xc＝yc＝rand×1μm，xn＝xc+ac0.3rand和yn＝yc+bc0.3rand给出。注意，即使ac，bc，an，bn和xc，yc对的表达式相等，由于rand是随机变量，因此它们的值也可以不同。

包含散射体的光子阶段旨在利用将光通过细胞累积的相移与由图像传感器测得的对应干涉图相关的传递函数的非线性度。实际上，已经证实，能够将不同输入充分分离为不同输出并满足适当稳定性要求的任意非线性传递函数可以辅助恰当的(经训练的)线性组合，以近似在实数的紧子集上的输入的任何连续函数。这种将固定的(未经训练的)非线性系统与可调谐的(可训练的)加权和相结合的机器学习技术在应用于处理时间相关信号时被称为储层计算(rc)。该示例中讨论的办法基于相同的原理，但是它考虑了由空间相关信号激发的空间分布非线性阶段，而不是由时间相关信号激发的动态非线性系统(被称为储层)。一般而言，相对于其他机器学习技术，rc的主要优点是仅需要训练线性读出(在该情形中为线性分类器)，并且容易地在硬件中实现。在该情形中，柱散射体阶段充当“空间”储层并将相位信息的非常复杂的非线性映射投射到远场强度上，可以将其合成为相移差的正弦函数的线性组合。该并行处理针对细胞移动和电子计算机的运行速度两者几乎是同时执行的，与电域的其他机器学习解决方案相比提供了重要优势。应当强调，相位至强度的非线性度已经由单独的细胞(没有散射体)投射的干涉图案表达。然而，此类非线性映射的复杂度可以通过使用散射体来增强和控制，以提高后续线性分类(即，寻找“混沌边缘(edgeofchaos)”)的性能。展示了利用光干涉以使用线性光学介质来制造无源集成的基于波的计算系统，但是时间相关输入信息被编码到激光信号的强度中，并且因此到输出检测器的传递函数是二次的(幅度到强度)。此处，作为被编码到激光信号的相位中的输入信息，读出传递函数相对于该输入例如可以是正弦。例如，正弦可以在合适的条件下有利地用作前馈神经网络中的激活函数。

在本示例中，根据本发明的实施例，可以实现以下机器学习方面。所获得的远场强度分布被划分为npix(n像素)个面元(或像素)，并且每个面元上的积分被馈送到逻辑回归。采用scikit-learnpython库，并使用“liblinear”求解器(solver)。如上一节所述，对于每个测试的散射体配置，在随机改变细胞形状的情况下执行nsamp(n样本)次仿真。在n样本次仿真中的一半仿真中，考虑正常细胞，而在其余一半仿真中，使用了癌细胞(具有较大细胞核)。这两个集合中的75％被用于逻辑回归的训练，而其余被用于测试。

在将干涉图案划分为面元之前，高斯白噪声被后验添加到这些干涉图案上。噪声标准差被选择为整个样本集上的最大强度的1％。

对使用和没有使用散射体的两种情况执行了分类3测试误差对正则化(l1和l2)强度以及对n样本的依赖性的研究，每种情况对一组2000个样本执行该研究。对于该调查，考虑了4层散射体配置4，其中arand(a随机)＝150nm并且d＝1.846μm。研究指出，正则化对这两个分类任务的性能没有显著的积极影响。此外表明，当使用散射体时，学习曲线(测试误差与样本数)收敛在n样本＝800附近。该n样本值以及未正则化是针对下一会话中讨论的散射体配置的调查所采用的条件。分类对像素数和训练时期(epoch)的依赖性替代地通过对每个测试配置执行扫掠来进行直接控制。

在不存在散射体的情况下(图11a和12a)和在采用4层(其中a随机＝150nm并且d＝1.846μm)的情况下(图11b和12b)在测试样本的分类误差之间进行第一次比较。在第一种情形中，远场强度不可忽略的角度范围在-6°至6°之间(图6a)，并且这是像素数所指的范围。替代地，在第二种情形中，所选角度范围在-60°至60°之间(图6c)。这意味着，在像素数相等时，单独的细胞全息图获取具有比存在散射体时执行的全息图获取的分辨率精细十倍的分辨率。这解释了图11a和12a中在100像素点和200像素点之间的跳跃：达到fdtd仿真的输出分辨率。这些图表中绘制的每个点对应于时期数的最佳选择。

可以注意到，在每一情形中，如果使用足够数量的像素(>＝50)，则用散射体层辅助的分类显示出较小误差。

通过在保持d＝1.846μm固定的情况下考虑n层＝1、2、3、4、5和a随机＝50、100、150、200、250纳米的可能组合(每种组合对800个样本进行仿真)，探索了散射体配置对分类误差的影响。为了以紧凑方式呈现结果，对于每个配置仅标绘了在改变训练时期数和像素数(从10到200)的情况下找到的最小测试误差(图13、14、15、16和17)。误差条对应于在逻辑回归的训练和测试阶段的5次重复上计算出的95％的置信区间。可变性由增加的白噪声引入。由于使用数目的训练样本，所显示的误差条较大。尽管似乎存在一些不太明显的最佳条件(例如，对于a随机＝250，在2层)，但由于有限数目的训练样本以及使用2d模型而非3d模型这一事实，这些优化可能不显著。

在改变噪声水平的情况下并且针对各层之间的距离d的其他两个值(即d＝2.85μm和d＝3.40μm)执行了类似调查。考虑四层散射体而没有任何随机位移，这两个距离分别是作为d的函数的远场传输的第一最大点和最小点。这些配置也没有显示出任何显著改善的性能。因此，这些初步几何优化的主要结论是，尽管散射体本身的存在与没有散射体的情形相比具有显著影响，但确切的几何参数似乎不那么重要。这意味着任何给定的散射体配置也可能在其他任务上显示出良好的性能。

在细胞的折射率结构不会显著改变光的空间传播的过于简化的假设下，完整相位到强度传递函数可以基本上被写为通过细胞的光路之间每个可能相位差δθ的正弦和余弦的加权和。由此，在尝试识别具有小细胞核和大细胞核的细胞之间的差异时，逻辑回归需要对强度变化δi敏感，类似于下式：

δi～c1[sin(δθcn)-sin(δθnn)]+c2[cos(δθcn)-cos(δθnn)]

其中，

其中c1和c2是常数，δθcn和δθnn分别是对由“癌”细胞(具有平均直径d癌～2.5μm)和“正常”细胞(具有平均直径d正常～1.2μm)的细胞核产生的相移的估计。λ＝0.532μm是所考虑辐射的波长，n细胞核＝1.39和n细胞质＝1.37是所采用细胞模型中细胞核和细胞质的折射率。为了利用正弦函数的非线性来进行分类任务，差值δθcn-δθnn相对于π不应当太小也不应当太大。在所考虑的条件下，δθcn-δθnn～0.3，这是相当小的。

至少有两种方式使该值变大：降低波长或通过采用光学腔(例如，fabry-perot谐振器)来增加光通过细胞的次数。在该示例中，评估了第一选项。考虑波长λ＝532、400、300和200nm，针对细胞核大小的小改动(130nm的改动)计算所获取全息图的总变化(图10a)，其余仿真参数保持固定。计及了所采用材料的色散，并且具体而言，在细胞模型和水的折射率之间保持相同的绝对对比度。如所预期的，通过减小激光波长，这种改动对所获取干涉图案的影响显著增加。另一方面，由于散射体的存在，传输损耗发生同样的情况(图18b)。

为了考虑合理的uv激光源，在使用λ＝337.1nm、不使用散射体以及采用4层散射体(其中a随机＝150nm，d＝2.85μm)的情况下调查分类性能(图19a、19b、20a和20b)。总分类误差相对于使用λ＝532nm的先前情形显著更低，并且与之前一样，使用散射体对性能具有积极影响。特别地，如从储层式办法所预期的，散射体层的存在似乎大大提高了分类任务的噪声稳健性。