用于对象分类器的超光学加速器

深度学习的快速进展导致了许多领域的范式转变，从医学图像分析到自主系统。然而，这些进展产生了计算要求极高的数字神经网络，导致高能耗以及在计算资源有限时实时决策的局限性。在此，我们展示了一种基于超光学的神经网络加速器，可以将计算密集型的卷积操作转移到高速、低功耗的光学中。在这种架构中，超表面使得对象分类中既可以进行空间复用，又可以获取其他信息通道，例如偏振。采用端到端的设计来共同优化光学和数字系统，最终实现了一种强健的分类器，在手写数字的分类中取得93.1%的准确率，在对数字及其偏振状态的分类中达到93.8%的准确率。这种方法可以为机器视觉和人工智能的广泛应用提供紧凑、高速和低功耗的图像和信息处理系统。