(资料图片)

现在，基于人工神经网络的深度学习算法正在彻底改变很多科学与工程领域内的信息处理方法，而且已经被应用于图像分类、图像加密、语音识别和语言翻译等很多具体任务中。不过，随着人工智能算法的发展，人工神经网络所需的计算能力与电子芯片所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与高耗时问题。

以光为介质的衍射神经网络具有计算速度快、并行度高、传输能耗低等优点，可以模拟人工神经网络进行高速计算，解决了计算能力与能耗问题。

近年来，全光衍射神经网络在图像处理和物体识别等方面已经得到广泛应用和验证。衍射神经网络通常由多个衍射层构成，每个衍射层内部的单元结构可被视为一个神经元，不同衍射层间神经元通过光衍射来实现相互连接。

衍射神经网络在图像识别、线性矩阵运算、逻辑运算和光束整形等领域得到了广泛研究。

目前，衍射神经网络通常被应用于太赫兹和微波频段，但是仍然难以实现集成小型化并缺乏重构性。与传统的衍射光学元件对比，超表面在光学波段上更加紧凑，可通过改变超表面内部元原子的形状、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实现小型化智能集成式光学器件。



本文共计1000字开通高级账号后继续阅读

登录后获取已开通的账号权益温馨提示：研究院技术情报订阅者可畅读全文订阅

本文共计1000字开通高级账号后继续阅读

您未开通，请开通后阅读温馨提示：研究院技术情报订阅者可畅读全文订阅