基于级联超表面的可插拔衍射神经网络

基于人工神经网络的深度学习算法正在彻底改变许多科学和工程领域的信息处理方法。目前，它已应用于许多特定任务，包括图像分类、图像加密、语音识别、语言翻译等。然而，随着人工智能算法的快速发展，人工神经网络所需的计算能力与电子芯片提供的计算能力之间存在巨大的矛盾。

后摩尔时代 摩尔定律的放缓以及冯 诺依曼架构的局限性导致了现有计算架构的高能耗和耗时问题。

以光为介质的衍射神经网络具有计算速度快、并行度高、传输过程能耗低等优点，可以模拟人工神经网络进行高速计算，为解决计算能力和能源问题提供了解决方案。消费。

最近，全光衍射神经网络已在图像处理和物体识别中得到实现和验证。衍射神经网络通常由多个衍射层构成，内部的每个单元结构被视为一个神经元，不同层的神经元之间的互连是通过光衍射实现的。

衍射神经网络已在各种任务中得到广泛研究，包括图像识别、线性矩阵运算、逻辑运算和光束整形。

目前，衍射神经网络通常在太赫兹和微波频段实现，但仍难以实现集成小型化且缺乏可重构性。与传统的衍射光学元件相比，超表面在光波段更加紧凑，可以通过改变超表面内部超原子的形状、大小和排列来同时控制光的振幅和相位。利用超表面实现衍射神经网络有助于获得小型化智能集成光学器件。

图2可插拔衍射神经网络在手写数字和时尚中的实验结果。a、b实验测试结果的混淆矩阵c、d识别结果和能量分布。图片来源：CompuscriptLtd

这篇发表在Opto-ElectronicAdvances上的文章的作者提出了可插拔衍射神经网络(P-DNN)来解决衍射神经网络的可重构性问题。结合迁移学习算法，可以训练内部插件的相位参数，通过切换网络中的可插拔组件，可以实现手写数字识别、时尚识别等多种识别任务。

如图1所示，可插拔衍射神经网络的调制层可以分为两部分：用于预处理输入信息的共享层和用于切换多个任务的可插拔层。

使用特定形状掩模对输入信息进行调制，入射光经过可插拔衍射神经网络后聚焦到检测平面上的子检测区域，并根据能量分布确定物体分类。在固定共享层插件的情况下，还可以实现其他识别任务，例如从手写数字识别切换到时尚识别。

为了验证该方法的有效性，研究团队设计了一种工作在800nm近红外波段的两层级联超表面，展示了可插拔衍射神经网络用于手写数字和时尚识别任务的能力。手写数字和时尚分类任务的实验分类准确率分别超过91.3%和90.0%(图2a、b)。

通过分析检测平面各子检测区域的能量分布，在固定共享层插件的情况下，分别使用手写数字插件和时尚插件，可以实现手写数字和时尚插件的匹配。根据能量分布准确识别。(图2c、d)。

可插拔衍射神经网络是一种通用模型，可以应用于各种分类任务，提高网络设计的灵活性，同时有效减少计算资源和训练时间的消耗。可插拔衍射神经网络良好的可重构性为衍射神经网络缺乏可重构性的问题提供了解决方案，而超表面的使用有助于实现器件的集成化和小型化。

未来，基于超表面的可插拔衍射神经网络可作为不同功能人工智能系统的光学集成组件，为特定任务提供低能耗和高速计算，例如自动驾驶系统中的实时物体检测和显微镜成像中的智能光学过滤。