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，它已经应用于许多特定任务，包括图像分类、图像加密、语音识别和语言翻译。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着巨大矛盾。
摩尔定律在“后摩尔时代”的减速以及冯·诺依曼体系结构的局限性，导致现有计算体系结构存在高能耗和时间消耗问题。
光作为介质的衍射神经网络具有高计算速度、高并行性和低传输能耗的优势，能够模拟人工神经网络进行高速计算，提供了解决计算能力和能耗问题的方案。
最近，全光衍射神经网络已在图像处理和目标识别领域得到实施和验证。衍射神经网络通常由多个衍射层构成，其中每个单元结构被视为一个神经元，跨不同层的神经元之间的相互连接是通过光的衍射实现的。
衍射神经网络已在图像识别、线性矩阵运算、逻辑运算和光束整形等各种任务中进行了广泛研究。
目前，衍射神经网络通常在太赫兹和微波波段实现，但实现集成小型化和缺乏重构能力仍然困难。与传统的衍射光学元件相比，超表面在光学波段更紧凑，并且可以通过改变超表面内部元胞的形状、大小和排列来同时控制光的幅度和相位。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。
这篇发表在《光电子学进展》杂志上的文章提出了插拔式衍射神经网络（P-DNN）来解决衍射神经网络的重构问题。结合迁移学习算法，可以训练内部插件的相位参数，并通过在网络中切换插拔件来实现手写数字识别和时尚识别等多个识别任务。
如图1所示，插拔式衍射神经网络的调制层分为两部分：用于预处理输入信息的共享层和用于切换多个任务的插拔层。
输入信息通过特定形状的掩模进行调制，经过插拔式衍射神经网络后，聚焦在检测平面上的一个子探测区域上，并通过能量分布来确定物体分类。在固定共享层插件的情况下，还可以实现其他识别任务，比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，研究团队设计了一个在800纳米近红外波段工作的两层级联超表面，展示了插拔式衍射神经网络在手写数字和时尚识别任务上的能力。手写数字和时尚识别任务的实验分类准确率分别超过91.3%和90.0%。
通过分析检测平面的子探测区域中的能量分布，当固定共享层插件时，分别使用手写数字插件和时尚插件，根据能量分布可以准确识别手写数字和时尚物品。
插拔式衍射神经网络是一个通用模型，可应用于各种分类任务，提高了网络设计的灵活性，同时有效降低了计算资源和训练时间的消耗。插拔式衍射神经网络的良好可重构性解决了衍射神经网络重构能力不足的问题，并且利用超表面有助于实现器件集成和小型化。
未来，基于超表面的插拔式衍射神经网络可以作为不同功能AI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目标检测和显微镜成像中的智能光学滤波。
—煤油灯科技victorlamp.com编译整理—
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
