(資料圖)
現在，基于人工神經網絡的深度學習算法正在徹底改變很多科學與工程領域內的信息處理方法，而且已經被應用于圖像分類、圖像加密、語音識別和語言翻譯等很多具體任務中。不過，隨著人工智能算法的發展，人工神經網絡所需的計算能力與電子芯片所提供的計算能力之間存在著巨大矛盾。
摩爾定律在“后摩爾時代”的放緩以及馮諾依曼架構的局限性導致了現有計算架構的高能耗與高耗時問題。
以光為介質的衍射神經網絡具有計算速度快、并行度高、傳輸能耗低等優點，可以模擬人工神經網絡進行高速計算，解決了計算能力與能耗問題。
近年來，全光衍射神經網絡在圖像處理和物體識別等方面已經得到廣泛應用和驗證。衍射神經網絡通常由多個衍射層構成，每個衍射層內部的單元結構可被視為一個神經元，不同衍射層間神經元通過光衍射來實現相互連接。
衍射神經網絡在圖像識別、線性矩陣運算、邏輯運算和光束整形等領域得到了廣泛研究。
目前，衍射神經網絡通常被應用于太赫茲和微波頻段，但是仍然難以實現集成小型化并缺乏重構性。與傳統的衍射光學元件對比，超表面在光學波段上更加緊湊，可通過改變超表面內部元原子的形狀、大小和排列來同時控制光的振幅和相位。利用超表面實現衍射神經網絡有助于實現小型化智能集成式光學器件。
?本文共計1000字開通高級賬號后繼續閱讀
登錄后獲取已開通的賬號權益溫馨提示：研究院技術情報訂閱者可暢讀全文訂閱本文共計1000字開通高級賬號后繼續閱讀
您未開通，請開通后閱讀溫馨提示：研究院技術情報訂閱者可暢讀全文訂閱關鍵詞：
責任編輯：QL0009
