用于目标分类器的超表面光学加速器

深度学习的快速进展已在从医学图像分析到自主系统的诸多领域引发范式转变。然而，这些进展导致了具有巨大计算需求的数字神经网络，带来高能耗以及在计算资源受限时实时决策的局限。在此，我们展示一种基于超表面光学的神经网络加速器，其可将计算昂贵的卷积运算卸载到高速、低功耗的光学中。在该架构中，超表面在目标分类中实现空间复用及附加信息通道（如偏振）。端到端设计用于协同优化光学与数字系统，从而产生一个鲁棒的分类器，对手写数字达到95%的准确分类，对数字及其偏振态的分类达到94%的准确率。该方法可为机器视觉与人工智能中广泛应用提供紧凑、高速、低功耗的图像与信息处理系统。