用于高性能的自由空间超表面光学神经形态分类器协同设计

对场景中特征进行分类通常需要将入射光子场转换为电子域。近来，出现了一种替代方法，即无源结构化材料可通过直接利用光的自由空间传播与衍射来执行分类任务。在本稿中，我们对此类系统进行了理论与计算研究，并确立了支配其性能的基本特征。我们表明系统架构、材料结构与输入光场相互交织，需要协同设计以最大化分类精度。我们的仿真表明，单层超表面可实现优于传统线性分类器的分类精度，且衍射特征数量比先前报道的少一个数量级。对于波长 ${\lambda}$，孔径密度为的单层超表面在 MNIST 数据集上于到输出平面优化距离 ~ 处达到约 96% 的测试精度。这得益于光电探测中的本征非线性，尽管使用的是线性光学超材料。此外，我们发现一旦系统被优化，衍射特征数量是分类性能的主要决定因素。随孔径数量缓慢的渐近标度暗示了此类系统可能受益于多层设计的原因。最后，我们展示了孔径数量与制造噪声之间的权衡。