串聯元表面的可插拔式衍射式神經網路：擺脫傳統約束的創新
引言
隨著人工智慧算法的快速發展，基於人工神經網路的深度學習算法正在完全改變許多科學和工程領域的訊息處理方法。它已被應用於許多具體任務，包括影象分類、影象加密、語音識別和語言翻譯。然而人工神經網路所需的計算能力與電子晶片所提供的計算能力之間存在著巨大矛盾。摩爾定律在“後摩爾時代”的減速以及馮·諾依曼體系結構的約束，導致現有計算體系架構存在高能耗和時間消耗問題。具有高計算速度、高並行性和低能耗的衍射式神經網路以光為媒介可以模擬用於高速計算的人工神經網路，為計算能力和能耗問題提供理解決方案。衍射式神經網路與元表面
衍射式神經網路的基礎
衍射式神經網路通常由多個衍射層構建，每個內部單元結構被視為一個神經元，不同層之間的神經元之間的相互存取透過光的衍射實現。衍射式神經網路在影象識別、線性矩陣運算、邏輯運算和光束整形等各種任務中得到廣泛研究。當前衍射式神經網路通常在太赫茲和微波頻段實現，但仍然難以實現整合小型化和可重構性。元表面的應用
與傳統衍射光學元件相比，元表面在光學頻段上更加緊湊，可以透過改變元表面內的元子的形狀、大小和排列方式來同時控制光的幅值和相位。使用元表面實現的衍射式神經網路有助於獲得小型化的智慧整合光學裝置。
可插拔式衍射式神經網路的原理
設計原理
該研究團隊發表在《光電創新》期刊上的文章中，提出了可插拔式衍射式神經網路（P-DNN），以解決衍射式神經網路的可重構性問題。結合轉移學習算法，可以訓練內部外掛的相位引數，並透過在網路中切換可插拔元件來實現多個識別任務，如手寫數位識別和時尚識別。模組化的可插拔式衍射式神經網路的調製層可以分為兩部分：用於預處理輸入訊息的共享層和用於切換多個任務的可插拔層。利用特定的形狀遮罩來調製輸入訊息，光經過可插拔式衍射式神經網路後在檢測平面上聚焦到一個子檢測區域，並根據能量分佈來確保物體分類。在固定的共享層外掛下，可以實現其他識別任務，如從手寫數位識別切換到時尚識別。取證與應用
為了取證該方法的有效性，研究團隊設計了一個在 800 奈米近紅外波段操作的兩層串聯元表面，展示了可插拔式衍射式神經網路在手寫數位識別和時尚識別任務中的能力。實驗結果顯示，手寫數位和時尚分類任務的分類準確率分別超過 91.3%和 90.0%。透過分析檢測平面的子檢測區域中的能量分佈，當固定共享層外掛並分別使用手寫數位外掛和時尚外掛時，可以根據能量分佈準確識別手寫數位和時尚。可插拔式衍射式神經網路是一種通用模型，可應用於各種分類任務，提高了網路設計的靈活性，同時有效降低了計算資源和訓練時間的消耗。可插拔式衍射式神經網路的良好可重構性提供理解決衍射式神經網路可重構性問題的方案，而使用元表面有助於實現裝置整合和小型化。未來，基於元表面的可插拔式衍射式神經網路可以用作不同功能人工智慧系統的光學整合元件，為特定任務提供低能耗高速計算，例如自動駕駛系統中的實時物體檢測和顯微鏡成像中的智慧光學過濾。結論
串聯元表面的可插拔式衍射式神經網路是一種具有創新意義的方法，它突破了傳統約束，提供理解決衍射式神經網路可重構性問題的方案。此方法利用元表面的優勢實現了智慧整合光學裝置的小型化。透過轉移學習算法和可插拔層的切換，可插拔式衍射式神經網路在多個識別任務上具有出色的效能。這一創新應用將為應用領域提供低能耗、高速度的計算能力，為未來的科技發展帶來更多可能性。Technology-串聯元表面,可插拔式,衍射式神經網路
