盖世汽车讯 现在，基于人工神经网络的深度学习算法正在彻底改变很多科学与工程领域内的信息处理方法，而且已经被应用于图像分类、图像加密、语音识别和语言翻译等很多具体任务中。不过，随着人工智能算法的发展，人工神经网络所需的计算能力与电子芯片所提供的计算能力之间存在着巨大矛盾。

摩尔定律在“后摩尔时代”的放缓以及冯诺依曼架构的局限性导致了现有计算架构的高能耗与高耗时问题。

以光为介质的衍射神经网络具有计算速度快、并行度高、传输能耗低等优点，可以模拟人工神经网络进行高速计算，解决了计算能力与能耗问题。

近年来，全光衍射神经网络在图像处理和物体识别等方面已经得到广泛应用和验证。衍射神经网络通常由多个衍射层构成，每个衍射层内部的单元结构可被视为一个神经元，不同衍射层间神经元通过光衍射来实现相互连接。

衍射神经网络在图像识别、线性矩阵运算、逻辑运算和光束整形等领域得到了广泛研究。

目前，衍射神经网络通常被应用于太赫兹和微波频段，但是仍然难以实现集成小型化并缺乏重构性。与传统的衍射光学元件对比，超表面在光学波段上更加紧凑，可通过改变超表面内部元原子的形状、大小和排列来同时控制光的振幅和相位。利用超表面实现衍射神经网络有助于实现小型化智能集成式光学器件。

据外媒报道，有一位科学家发表了一篇文章，提出了可插拔衍射神经网络（P-DNN）来解决衍射神经网络的可重构性问题。结合迁移学习算法，可以训练内部插件的相位参数；通过切换网络中的可插拔组件，实现手写体数字识别、时尚识别等多种识别任务。

如图1所示，可插拔衍射神经网络的调制层可分为两部分：用于预处理输入信息的共享层以及用于切换多种任务的可插拔层。

图片1（图片来源：Compuscript Ltd）

采用特定形状的掩膜可调制输入信息，入射光通过可插拔衍射神经网络后聚焦到探测平面的子探测区域，并根据能量分布确定物体分类。在固定共享层插件的情况下，可以实现手写体数字识别、时尚识别等其他识别任务。

为了验证所提出方法的有效性，研究小组设计了一个双层级联超表面，可在800纳米近红外波段工作，展示了可插拔衍射神经网络在手写体数字和时尚识别任务方面的能力。手写体数字和时尚分类任务在实验中的分类准确率分别超过91.3%和90.0%（图2a.b）

通过分析探测平面各子探测区域的能量分布，当共享层插件固定时，分别使用手写体数字插件和时尚插件，根据能量分布可以准确识别手写体数字和时尚任务（图2c,d）

图片2（图片来源：Compuscript Ltd）

可插拔衍射神经网络是一种通用模型，可应用各种分类任务，提升网络设计的灵活性，同时有效减少计算资源和训练时间的消耗。可插拔衍射神经网络具有良好的可重构性，解决了衍射神经网络缺乏可重构性的问题，元表面的使用有助于实现器件集成化以及小型化。

未来，基于超表面的可插拔衍射神经网络可用于光学集成组件，实现不同功能的AI系统，为自动驾驶系统中的实时物体探测和显微镜成像中的智能光学滤波等特定任务提供所需的低能耗与高速计算。