Clasificación de objetos totalmente ópticos utilizando una red difractiva diferencial de espín de detección de bordes. | JoVE Visualize

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.