[发明专利]一种基于超构表面的全光衍射神经网络系统

说明书

本发明公开了一种基于超构表面的全光衍射神经网络系统，由入射物体光束、超构表面与CMOS图像处理器所组成；神经网络的层与层之间的传输通过光的衍射实现；用光学透明粘合剂与CMOS图像处理器胶合实现集成，通过CMOS图像处理器观测不同入射物体光束在探测区域的光强，实现多功能分类识别功能。基于超构表面的衍射神经网络具有更小的尺寸，易于实现片上集成；并且超构表面对相位、振幅与偏振的同时调控一方面可以增加设计自由度，减少神经网络的层数以避免多层对准困难的问题，另一方面超构表面的灵活性为衍射神经网络增加了一些复杂的功能，最终获得一种性能优良的无源多功能器件。

技术领域

本发明涉及一种基于超构表面的全光衍射神经网络系统，属于光学神经网络技术领域。

背景技术

深度学习作为人工智能与机械学习方面最热门的方法之一，旨在使机器能够用类似于人类的学习方法分析输入的文字、图片等数据，用最快的速度获得样本数据的内在规律，以执行复杂困难的任务，目前深度学习凭借其优秀的算法，在自动驾驶、语音识别与医学分析等领域解决了诸多复杂难题，使其取得了显著性的进步。而超构表面作为新型二维平面结构，由亚波长单元排列而成，通过改变单元的尺寸、排列及形状几乎可以实现对电磁波的任意调控，因此超构表面不仅拥有较大的设计自由度，而且轻便灵活，有望代替传统光学元件以满足设备微型化的发展需求。将深度学习与光学计算相结合是近年来的研究重点，其中以超构表面为代表的全光衍射神经网络一方面具有较小的体积与质量，另一方面相比于计算机搭建的神经网络框架，基于光学的神经网络具有更快的计算速度与更低的能耗，具有重要的研究意义。

现有技术的技术方案中设计制造了一种新型神经网络并称之为衍射深度神经网络，该神经网络用于太赫兹波段，相较于常规神经网络不同，它是由多个3D 打印制造的相位型平面光学元件排列组成，其中每一层与神经网络的架构相对应，而层与层之间的传输则通过光的衍射实现，最终以光速实现了极高精度的数字识别和物品分类功能。该方案的实际结果受3D打印制造精度和层与层之间对准的精度决定，理论上层数越多结果精度越高，但是层与层之间的对准难度也会提高；该方案仅实现了单一功能；该方案用于太赫兹波段，设备昂贵且繁重，无法实现与CMOS等传感器的集成功能。

现有技术的另一个技术方案中设计了一种基于超构表面神经网络的装置，通过前向与反向传播对神经网络的权重进行调整，实现了射频信号处理和收发功能。该方案神经网络层数较多，对准困难；超构表面的权重调整基于单元上的可调电子元件(电容电感等)实现，结构复杂。

发明内容

本发明基于超构表面与深度学习理论提出了一种新型神经网络，它由光学驱动，相对于传统由计算机算力驱动的神经网络具有更快(光速)的计算速度与更低的能耗。相对于现有技术方案中存在结构复杂、神经网络层数较多、难以集成等问题，基于超构表面的衍射神经网络具有更小的尺寸，易于实现片上集成；并且超构表面对相位、振幅与偏振的同时调控一方面可以增加设计自由度，减少神经网络的层数以避免多层对准困难的问题，另一方面超构表面的灵活性为衍射神经网络增加了一些复杂的功能，最终获得一种性能优良的无源多功能器件。

一种基于超构表面的全光衍射神经网络系统，由入射物体光束、超构表面与 CMOS图像处理器所组成；神经网络的层与层之间的传输通过光的衍射实现，即衍射层上的每一点均为一个次级球面波的子波源，下一层某一神经元的输入定义为上一层所有神经元的输出经过衍射传播在该神经元的叠加结果，而每个神经元的权重则定义为单元光学结构的相位和振幅，自输入层输入训练数据进而由光学衍射计算得到神经网络的输出结果，并通过误差反向传播不断训练优化每层神经元的相位与振幅。通过这种类比传统神经网络的正向和反向传播的过程，训练好的全光衍射神经网络将以极高的精度实现特定功能。将计算机训练的全光神经网络结果通过电子束光刻EBL和原子层沉积ALD技术进行加工，超构表面体积小与结构紧凑的特点，用100μm的光学透明粘合剂与CMOS图像处理器胶合，实现集成，进而通过CMOS图像处理器观测不同入射物体光束在探测区域的光强，实现多功能分类识别功能

超构表面与全光神经网络交互的基础理论：