光子 AI：一种被动光学实时图像分类的混合衍射全息神经系统

边缘智能受电子存储层级数据往返成本的制约。光学系统提供了 fundamentally different 的计算范式：一旦输入波前输入到结构化介质中，传播、衍射和干涉共同构成线性变换，其成本由波动力学决定而非时钟算术。本文提出了严格的系统层次方法，引入一种混合衍射全息架构用于图像分类。该模型将被动光学神经网络 (DONN) 与全息干涉学习 (HIBL) 算子耦合，后者是从数字优化的相位分布映射到可物理实现、制造兼容干涉图案的形式，这些图案可嵌入被动光学元件。我们将完整的推理管道表示为编码、相位调制、自由空间传播和强度测量算子的组合，明确指出哪些量是学习的，哪些是设计决定的，以及非线性在光电检测中如何进入。这种算子论视角解决了光学-ML 文献中学习变换与物理实现之间的持续鸿沟。在 MNIST 上的 physics-informed 模拟中，三层系统约 25000 个相位元素实现了 91.2% 测试准确率，传播受限的纳秒级延迟。本文的首要贡献不在于性能主张，而在于精确的计算框架：可学习的表示可以被物理嵌入到结构化光学介质中，以便通过通过被动制造物体的波前变换执行推理，而非顺序的电子乘累加运算。