Redes neuronales difractivas de polarización multiplexadas para la clasificación de múltiples tareas basada en...

Área de la Ciencia:

• Optoelectrónica y sus derivados
• Inteligencia artificial
• Ciencias de los materiales

Sus antecedentes:

• Las redes neuronales difractivas totalmente ópticas (DNN) ofrecen alta velocidad y baja potencia, pero generalmente manejan tareas únicas.
• Los marcos DNN existentes carecen de la flexibilidad para las operaciones multitarea en sistemas complejos de IA.

Objetivo del estudio:

• Proponer una nueva red neuronal difractiva de polarización multiplexada (PMDNN) para la clasificación flexible de múltiples tareas.
• Mejorar la capacidad de procesamiento de múltiples tareas de las DNN utilizando cristales líquidos y multiplexación de polarización.

Principales métodos:

• Incorporó cristales líquidos en DNNs como matrices de Jones para la modulación de polarización.
• Las entradas multi-tarea codificadas en múltiples canales de polarización.
• Diseñó y demostró un PMDNN de 3 tareas para clasificar conjuntos de datos MNIST, Fashion-MNIST y KMNIST.

Principales resultados:

• Simulación consistente y resultados experimentales verificaron la eficacia del marco PMDNN.
• La red propuesta demostró una interferencia mínima entre tareas, incluso con una complejidad de tareas cada vez mayor.
• PMDN diseñados con éxito para clasificar conjuntos de datos múltiples, incluidas tareas más complejas.

Conclusiones:

• La arquitectura PMDNN mejora significativamente la flexibilidad de las redes neuronales difractivas.
• Este enfoque allana el camino para sistemas de IA integrados ultra rápidos, de bajo consumo y multitarea.
• La multiplexación de polarización basada en cristales líquidos ofrece una ruta viable para el hardware avanzado de IA.