基于鹈鱼波动统计的光学脉冲神经网络

光学计算通过利用光的并行性和传播速度来降低人工智能的能源成本。然而，在以线性波动物理为主的低功率光系统中，实现非线性激活函数——机器学习中必不可少的——仍然具有挑战性。本文引入一种利用光学鹈鱼波动统计实现脉冲神经网络的光学方法。通过在自由空间衍射与神经元积分之间建立同构关系，我们演示，相位工程化的暗轨 enables robust, passive thresholding：当局部强度超过显著强度鹈鱼波动准则时，稀疏的空间脉冲会涌现。使用基于物理的虚拟仿真器，我们优化细粒度相位掩码，以确定性地将能量浓缩到目标探测器区域，从而实现光学变换与轻量级电子读出的端到端协同设计。我们在 BreastMNIST 和 Olivetti Faces 上对该方法进行实验验证，分别实现了 82.45% 和 95.00% 的准确率，与标准数字基线相当。这些结果表明，极端波动现象——通常被视为有害波动——可以作为可扩展、低能耗神经形态光推理的结构非线性被利用。