分散工程的特拉赫兹欺骗等离子神经网络用于并行计算和芯片上的通信
Xinxin Gao1,2, Qian Ma2, Ze Gu2
1State Key Laboratory of Terahertz and Millimeter Waves, City University of Hong Kong, Hong Kong SAR, China.
Advanced materials (Deerfield Beach, Fla.)
|December 26, 2025
概括
伪造的等离子神经网络 (SPNN) 实现了高效的太赫兹速度光学计算. 这些网络在复杂的分类任务中实现了高精度,为先进的机器学习应用铺平了道路.
科学领域:
- 光子学和光学计算技术
- 特拉赫兹技术的技术.
- 机器学习硬件 机器学习硬件
背景情况:
- 衍射神经网络提供光学计算优势,但在复杂任务的分散工程方面面临局限性.
- 衍射网络的复杂性增加导致频谱识别和多类分类的能源消耗增加.
研究的目的:
- 提出和演示一个紧的伪造等离子神经网络 (SPNN),用于高效的太赫兹速度光学计算.
- 为了利用SPNN中的工程分散来增强光谱分离和多类分类.
主要方法:
- 采用交叉级联的spoof表面等离子波导,具有强大的工程分散,用于太赫兹运行.
- 实施SPNN用于宽带信号光谱元件的分离和数据传输.
- 在Fashion-MNIST,EMNIST和多色CIFAR-10数据集上实验验验证SPNN的性能.
主要成果:
- 在两个分开的光谱通道上实现了22 Gbit/s的数据速率.
- 证明了很高的分类准确度:98.3%和97.4%的时尚-MNIST+MNIST/EMNIST.
- 通过使用不同的颜色通道,展示了多色CIFAR-10分类的10%以上的精度改进.
结论:
- 在太赫兹模式下,SPNNs为高性能机器学习应用提供了一个有前途的平台.
- 在SPNN中工程分散有效地处理光谱信息,用于复杂的数据处理.
- 这项工作为未来的太赫兹芯片集成和先进的光学计算解决方案奠定了基础.


