端を検出するスピン差差分差分ネットワークを使用して全光学オブジェクト分類

科学分野:

• フォトニクスと光学コンピューティング
• 人工知能と機械学習
• メタ表面 ナノフォトニクス

背景:

• 全光学コンピューティングは,ムーアの法則の限界を超越するために不可欠な高速と低電力消費を約束します.
• 従来の単一波長の微分深層ニューラルネットワーク (D2NN) は,エッジ特性の抽出と分類を同時に行うのに苦労します.
• 光学エッジ機能の抽出と分類を相乗的に最適化することは,全光学コンピューティングの重要な課題です.

研究 の 目的:

• 単一波長の全光学オブジェクト分類のために,エッジ検出スピン差分差分ニューラルネットワーク (ESD-DNN) を提案する.
• ディフラクティブニューラルネットワークにおけるエッジ・フィーチャー抽出と分類のシネージスティックな共同最適化を実現する.
• 既存のD2NNアーキテクチャと比較して,分類の精度と計算効率を高めるために.

主な方法:

• 急速なエッジ・フィーチャー抽出のために,パンチャラットナム-ベリー相グラデントメタ表面を実装しました.
• 分類推論のために,左手/右手循環偏振 (LCP/RCP) コンポーネントを持つスピン差分機構を利用した.
• ネットワーク機能の共同最適化のために, difrractive 層のエンドツーエンドの最適化を行いました.

主要な成果:

• 単層のESD-DNNは97.5% (MNIST) と87.5% (Fashion-MNIST) の分類精度を達成しました.
• 4層のD2NNと比較して,計算効率が5倍,時間複雑性が80%減少したことを実証しました.
• 渦巻や熱レンズなどの環境的課題下でも >90%の分類精度を保ち,堅実性を示した.

結論:

• 提案されたESD-DNNは,すべての光学コンピューティングのためのエッジ機能抽出と分類を効果的に統合しています.
• このアプローチは,従来の単一波長のD2NNに比べて,性能メトリックと堅牢性を大幅に改善します.
• AI,リモートセンシング,産業検査,宇宙光学通信における高度なアプリケーションへの道を開く.