[发明专利]基于超表面的插拔衍射神经网络优化方法及任务识别器件

说明书

本发明公开的基于超表面的插拔衍射神经网络优化方法及任务识别器件，属于光学神经网络、微纳光学、图像识别应用技术领域。插拔衍射神经网络由输入层、调制层、输出层三部分构成，调制层划分为共享层和插拔层；使用梯度下降算法和反向传播算法结合迁移学习算法优化插拔衍射神经网络调制层参数；根据优化完成的插拔衍射神经网络调制层相位分布挑选超表面纳米柱结构，并制备超表面；制作基于超表面的插拔衍射神经网络多任务识别器件，多任务识别器件包括掩模板、探测器、用于构建插拔衍射神经网络的超表面；通过切换网络中由超表面实现的可插拔组件，实现多种识别任务切换，提高插拔衍射神经网络的灵活性，同时减少计算资源消耗和训练时间。

技术领域

本发明涉及一种基于超表面的插拔衍射神经网络优化方法，主要涉及了插拔衍射神经网络的训练方式与光学系统的搭建方法，属于光学神经网络、微纳光学、图像识别应用技术领域。

背景技术

目前深度学习发展十分迅速，算力要求不断提高导致现有计算架构无法满足，并且需要巨大的能量消耗。光学神经网络拥有高计算速度、高并行度、低能耗等优势，逐步被证明是一种辅助AI模型加速运算有效架构。使用光学神经网络代替传统电子神经网络，能够极大的提高其计算速度并且降低能源的消耗，是一种非常有潜力的新型计算框架。传统的光学神经网络架构通常使用透镜、空间光调制器等光学器件实现，所搭建的光学系统通常比较庞大。虽然这些网络能够展现出光学神经网络的优势，但是由于光学系统体积的问题不易实现集成系统，实现高度可集成的光学神经网络是一个需要重点研究的方向。

超表面是一种新型的二维结构，与传统的衍射光学元件相比，超表面为超薄平面光学提供了一个很有前途的平台。通过改变超表面单元结构的大小、排列和形状，可以同时控制光的振幅和相位。目前已经有不少基于超表面的光学神经的研究，主要应用于微分和互相关数学运算、求解微分方程图像边缘提取、图像识别等任务中。由于超表面的超轻薄特性，使用超表面来实现光学神经网络有助于实现光学系统的集成。

衍射神经网络是近年光学神经网络较为热门的一种架构，通过使用光学的单元结构模拟电子神经网络中的神经元，通过模拟神经网络进行大量的并行数据处理，进一步挖掘了光学神经网络的潜力。衍射神经网络与超表面相结合能够在实现高性能计算的同时保证光学系统的小型化、集成化。然而，目前绝大部分衍射神经网络由无源器件物理实现，包括超表面也是一种无源器件，因此想要实现动态可调较为困难，在实际的应用中无法满足在同一器件中实现多种功能的需要。目前虽然有工作通过使用可编程的电磁超表面或者光电融合计算架构来解决衍射神经网络功能单一的问题，但是这些方法需要引入额外的能量消耗，并且又增加了实验装置的复杂程度。

发明内容

为解决衍射神经网络无法动态调控、功能单一的问题。本发明主要目的之一在于提供一种基于超表面的插拔衍射神经网络优化方法，插拔衍射神经网络由输入层、调制层、输出层三部分构成，其中调制层划分为共享层和插拔层；使用梯度下降算法和反向传播算法结合迁移学习算法优化插拔衍射神经网络调制层参数；根据优化完成的插拔衍射神经网络调制层相位分布挑选超表面纳米柱结构，并制备超表面；通过切换网络中由超表面实现的可插拔组件能够实现多种识别任务的切换，提高插拔衍射神经网络的灵活性，同时减少计算资源消耗和训练时间。

本发明主要目的之二在于提供一种基于超表面的插拔衍射神经网络多任务识别器件，根据基于超表面的插拔衍射神经网络优化方法得到调制层相位分布，根据相位分布挑选对应相位调制的纳米柱结构，并制备多层超表面，进而制作基于超表面的插拔衍射神经网络多任务识别器件，实现衍射神经网络的小型化和多功能化。

本发明目的是通过下述技术方案实现的。