用于衍射光学神经网络的数字化相变材料异质堆叠
统计力学
2025-02-19 v1 其他凝聚态物理
摘要
全光学且完全可重构的衍射光学神经网络（DONN）架构对于广泛用途的高通量和节能机器学习（ML）硬件加速器具有前景。然而，当前的器件和系统实现性能有限。本工作展示了一种新型衍射器件架构——数字化异质堆叠，由多层具有不同厚度的非易失性相变材料（PCM）组成。该架构既能利用 PCM 的光学特性优势，又能缓解在单层 PCM 中实现多级操作的挑战。概念验证实验展示了空间光调制器件中单层 PCM 的电调谐，热分析指导 DONN 器件和系统的设计以避免将异质堆叠组装成阵列时的热串扰。此外，包含三层 PCM 的异质堆叠被设计为具有大相位调制范围和均匀覆盖，并评估了采用设计异质堆叠的 DONN 系统的机器学习性能。开发的器件架构为未来理想的节能、快速可重构和紧凑型 DONN 系统提供了新机遇。
引用
@article{arxiv.2408.01405,
title = {The magnon mediated plasmon friction: a functional integral approach},
author = {Yang Wang and Ruanjing Zhang and Feiyi Liu},
journal= {arXiv preprint arXiv:2408.01405},
year = {2025}
}