可编程的衍射深度神经网络,通过集成的可重写元表面实现.
1Department of Electrical Engineering, Sharif University of Technology, Tehran, Iran. szarei@sharif.edu.
Scientific reports
|October 13, 2025
概括
这项研究展示了一种使用相变材料的新型超紧光子神经网络. 这项技术可实现快速,非挥发性编程,用于先进的芯片上计算和机器学习任务.
科学领域:
- 光子学 是一个光子学.
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 光子神经网络需要快速编程来实现复杂的功能.
- 换相技术为光子设备提供非易失性可编程性.
- 与相变材料 (PCM) 的直接激光写作集成使得芯片内计算成为可能.
研究的目的:
- 为了展示一个超紧的,在芯片上可编程的衍射深度神经网络.
- 为了利用Sb2Se3,一个超低损耗的相变材料,用于光子神经网络.
- 在机器学习任务中使用新型光子硬件实现高精度.
主要方法:
- 在芯片上发生相位变化的多层元表面的级联.
- 使用Sb2Se3薄膜上的直接激光写作来创建可编程的元表面.
- 在1.55微米波长的理论演示.
主要成果:
- 创建紧的,低损失的,可重写的,非挥发的芯片上相变换元表面.
- 一个超紧的可编程衍射深度神经网络的理论演示.
- 实现了与模式识别和MNIST分类任务的最先进状态相当的准确性.
结论:
- 在Sb2Se3上直接激光写入能够实现先进的芯片上的光子神经网络.
- 级联相位变换元表面为强大的内存计算提供了一条途径.
- 这种方法可以实现机器学习应用的高性能.
