Clasificación de objetos totalmente ópticos utilizando una red difractiva diferencial de espín de detección de bordes

Área de la Ciencia:

• Fotónica y computación óptica.
• Inteligencia Artificial y Aprendizaje Automático.
• La nanofotónica de la meta-superficie también es conocida como nanofotónica.

Sus antecedentes:

• La computación totalmente óptica promete alta velocidad y bajo consumo de energía, esencial para superar los límites de la Ley de Moore.
• Las redes neuronales profundas difractivas convencionales de una sola longitud de onda (D2NNs) luchan con la extracción y clasificación simultáneas de características de borde.
• La optimización de la extracción y clasificación de características de borde óptico de manera sinérgica es un desafío clave en la computación totalmente óptica.

Objetivo del estudio:

• Proponer una red neuronal difractiva diferencial de espín de detección de bordes (ESD-DNN) para la clasificación de objetos totalmente ópticos de una sola longitud de onda.
• Para lograr una co-optimización sinérgica de la extracción y clasificación de características de borde en una red neuronal difractiva.
• Para mejorar la precisión de la clasificación y la eficiencia computacional en comparación con las arquitecturas D2NN existentes.

Principales métodos:

• Implementó una metasuperficie de gradiente de fase Pancharatnam-Berry para la extracción rápida de rasgos de borde.
• Utilizó un mecanismo diferencial de espín con componentes polarizados circularmente (LCP / RCP) de izquierda / derecha para la inferencia de clasificación.
• Realizó la optimización de extremo a extremo de las capas difractivas para la co-optimización de las funciones de red.

Principales resultados:

• El ESD-DNN de una sola capa logró una precisión de clasificación del 97,5% (MNIST) y del 87,5% (Fashion-MNIST).
• Demostró un aumento de 5 veces en la eficiencia computacional y una reducción del 80% en la complejidad del tiempo en comparación con un D2NN de cuatro capas.
• Mantuvo una precisión de clasificación de >90% bajo desafíos ambientales como turbulencias y lentes térmicas, mostrando robustez.

Conclusiones:

• El ESD-DNN propuesto integra efectivamente la extracción y clasificación de características de borde para la computación totalmente óptica.
• Este enfoque mejora significativamente las métricas de rendimiento y la robustez en comparación con las D2NN tradicionales de una sola longitud de onda.
• Abre el camino para aplicaciones avanzadas en IA, teledetección, inspección industrial y comunicaciones ópticas espaciales.