利用复用超表面与全光衍射处理器实现多任务学习

衍射神经网络利用光的力量来提升机器学习中的计算性能，为实现高速、低能耗和大规模神经信息处理提供了一条途径。然而，现有的多数 DNN 架构均针对单一任务进行优化，因此缺乏在统一的人工智能平台内同时执行多个任务所需的灵活性。在本工作中，我们利用光的偏振和波长自由度，使用 MNIST、FMNIST 和 KMNIST 数据集实现了光学多任务识别。采用双层级联超表面，我们构建了双通道 DNN，能够通过元原子库中的偏振和波长复用方案同时对两个任务进行分类。数值评估表明，其性能准确率与单独训练的单通道、单任务 DNN 相当。将此方法扩展至三任务并行识别，虽出现预期的性能下降，但所有任务仍保持了大于 80% 的满意分类准确率。我们进一步引入了一种新颖的端到端联合优化框架来重新设计三任务分类器，证明其相较于元原子库设计有显著改进，并为未来的多通道 DNN 设计提供了潜力。我们的研究可为超薄、高速和高吞吐量光学神经计算系统的发展铺平道路。