[發明專利]一種基于超構表面的全光衍射神經網絡系統

有效

• 申請號: 202110852321.4
• 申請日: 2021-07-27
• 公開（公告）號: CN113822424B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 胡躍強;羅栩豪;張毅;李苓;段輝高
• 申請（專利權）人: 湖南大學
• 主分類號: G06N3/067
• 分類號: G06N3/067;G06N3/045;G06N3/084;G06V10/82;G06V10/764
• 代理公司: 北京睿博行遠知識產權代理有限公司 11297
• 代理人: 董自亮

本發明公開了一種基于超構表面的全光衍射神經網絡系統，由入射物體光束、超構表面與CMOS圖像處理器所組成；神經網絡的層與層之間的傳輸通過光的衍射實現；用光學透明粘合劑與CMOS圖像處理器膠合實現集成，通過CMOS圖像處理器觀測不同入射物體光束在探測區域的光強，實現多功能分類識別功能。基于超構表面的衍射神經網絡具有更小的尺寸，易于實現片上集成；并且超構表面對相位、振幅與偏振的同時調控一方面可以增加設計自由度，減少神經網絡的層數以避免多層對準困難的問題，另一方面超構表面的靈活性為衍射神經網絡增加了一些復雜的功能，最終獲得一種性能優良的無源多功能器件。

技術領域

本發明涉及一種基于超構表面的全光衍射神經網絡系統，屬于光學神經網絡技術領域。

背景技術

深度學習作為人工智能與機械學習方面最熱門的方法之一，旨在使機器能夠用類似于人類的學習方法分析輸入的文字、圖片等數據，用最快的速度獲得樣本數據的內在規律，以執行復雜困難的任務，目前深度學習憑借其優秀的算法，在自動駕駛、語音識別與醫學分析等領域解決了諸多復雜難題，使其取得了顯著性的進步。而超構表面作為新型二維平面結構，由亞波長單元排列而成，通過改變單元的尺寸、排列及形狀幾乎可以實現對電磁波的任意調控，因此超構表面不僅擁有較大的設計自由度，而且輕便靈活，有望代替傳統光學元件以滿足設備微型化的發展需求。將深度學習與光學計算相結合是近年來的研究重點，其中以超構表面為代表的全光衍射神經網絡一方面具有較小的體積與質量，另一方面相比于計算機搭建的神經網絡框架，基于光學的神經網絡具有更快的計算速度與更低的能耗，具有重要的研究意義。

現有技術的技術方案中設計制造了一種新型神經網絡并稱之為衍射深度神經網絡，該神經網絡用于太赫茲波段，相較于常規神經網絡不同，它是由多個3D 打印制造的相位型平面光學元件排列組成，其中每一層與神經網絡的架構相對應，而層與層之間的傳輸則通過光的衍射實現，最終以光速實現了極高精度的數字識別和物品分類功能。該方案的實際結果受3D打印制造精度和層與層之間對準的精度決定，理論上層數越多結果精度越高，但是層與層之間的對準難度也會提高；該方案僅實現了單一功能；該方案用于太赫茲波段，設備昂貴且繁重，無法實現與CMOS等傳感器的集成功能。

現有技術的另一個技術方案中設計了一種基于超構表面神經網絡的裝置，通過前向與反向傳播對神經網絡的權重進行調整，實現了射頻信號處理和收發功能。該方案神經網絡層數較多，對準困難；超構表面的權重調整基于單元上的可調電子元件(電容電感等)實現，結構復雜。

發明內容

本發明基于超構表面與深度學習理論提出了一種新型神經網絡，它由光學驅動，相對于傳統由計算機算力驅動的神經網絡具有更快(光速)的計算速度與更低的能耗。相對于現有技術方案中存在結構復雜、神經網絡層數較多、難以集成等問題，基于超構表面的衍射神經網絡具有更小的尺寸，易于實現片上集成；并且超構表面對相位、振幅與偏振的同時調控一方面可以增加設計自由度，減少神經網絡的層數以避免多層對準困難的問題，另一方面超構表面的靈活性為衍射神經網絡增加了一些復雜的功能，最終獲得一種性能優良的無源多功能器件。

一種基于超構表面的全光衍射神經網絡系統，由入射物體光束、超構表面與 CMOS圖像處理器所組成；神經網絡的層與層之間的傳輸通過光的衍射實現，即衍射層上的每一點均為一個次級球面波的子波源，下一層某一神經元的輸入定義為上一層所有神經元的輸出經過衍射傳播在該神經元的疊加結果，而每個神經元的權重則定義為單元光學結構的相位和振幅，自輸入層輸入訓練數據進而由光學衍射計算得到神經網絡的輸出結果，并通過誤差反向傳播不斷訓練優化每層神經元的相位與振幅。通過這種類比傳統神經網絡的正向和反向傳播的過程，訓練好的全光衍射神經網絡將以極高的精度實現特定功能。將計算機訓練的全光神經網絡結果通過電子束光刻EBL和原子層沉積ALD技術進行加工，超構表面體積小與結構緊湊的特點，用100μm的光學透明粘合劑與CMOS圖像處理器膠合，實現集成，進而通過CMOS圖像處理器觀測不同入射物體光束在探測區域的光強，實現多功能分類識別功能

超構表面與全光神經網絡交互的基礎理論：