人工神经网络可以快速高效地学习、组合和分析大量信息,极大地提高了机器学习的效率。如今它作为新兴科技之一,所具有的智能化、便捷化等特点使其被各行各业广泛应用。尤其是在政治、经济和教育行业,人工神经网络的使用更是占据很重的比例。然而,传统的专供集成电路、图形及中央处理单元等电子体系结构,在实现神经网络时均存在能耗大、时间长以及效率低等问题。同样,现场可编程门阵列也存在类似问题。因此实现高计算速度、高计算精度和超低功耗的光学神经网络具有创新性和实用性。由于光信号具有低功耗、高速、高带宽以及高并行性等优势,使得基于光子技术实现人工神经网络中的非线性单元成为可能,突破基于电子技术的传统非线性函数的瓶颈。许多基于光子技术的非线性函数已经被实施和发表。相比较传统的基于电子技术的非线性函数实现,在光子网络中线性变换和某些非线性变化可以在超过100 GHz的光速下进行,这极大提高了计算速度,显著提升了工作效率。随着对不同类型的半导体激光器在不同结构参数下的研究,可以透彻的分析与掌握半导体激光器的输出特性,有利于在研究中的优化与应用。而近些年来对半导体激光器特性研究的进步以及高速低功耗的非线性计算的需求,也将进一步的促进基于激光器的非线性函数取代传统的非线性函数实现。所以将高质量的激光器非线性输出特性与人工神经网络中非线性单元的实现相结合,可以实现高速、低功耗的光学非线性函数实现。因此,基于量子点自旋VCSELs产生的非线性输出特性,本文研究了一种新的光学非线性函数的实现,并在光学神经网络中得以应用。主要内容如下:首先从计算量大小、输出均值是否为0以及在反向传播求导的过程中是否会造成神经元死亡等方面分析了常见激活函数的优势和劣势,由此确立本文要模拟的激活函数为Re LU。然后推导了量子点自旋VCSELs的标准化速率方程,并用四阶龙格库塔算法求解标准化泵浦强度和激光器总的输出强度之间存在的非线性关系,随之提出用该非线性关系去实现光学神经网络中的非线性单元Re LU。在选择量子点自旋VCSELs参数的过程中,探讨了泵浦极化,线宽增强因子以及标准化增益系数这三个参数对该非线性关系造成的影响,从而确定一套最优参数。在该参数下,基于量子点自旋VCSELs的非线性实现了QDRe LU函数。对于如何使用QDRe LU模拟Re LU函数的问题,提出给量子点自旋VCSEL补偿光泵浦的解决方案。其次,介绍了通道注意力机制,并引进挤压激励模型。同时,分析其数学原理。最后通过仿真,将QDRe LU函数应用于人工神经网络,以此验证相较于激活函数Re LU,该非线性函数的可行性。同时,将挤压激励模型引入神经网络进行实验。结果表明,QDRe LU函数不仅充分利用了光子技术的高速、低功耗和高并行度等优点,同时保证了整个人工神经网络的准确性。本文的研究内容对全光神经网络的战略目标提供了独特的研究意义与应用价值。