近日，哈尔滨工业大学电信学院祁嘉然教授团队在全光深度学习领域取得进展，提出基于级联超构表面的矩阵衍射深度神经网络架构。研究成果以《矩阵衍射深度神经网络——极化信息与超构表面器件的融合》为题，发表在《激光与光子学评论》（Laser & Photonics Reviews）上，有望在机器视觉、自动驾驶、智慧医疗和物联网等领域得到应用。论文被遴选为该期正封面。

全光衍射深度神经网络框架可设计高并行性和高处理速度的超构表面器件。然而，衍射深度神经网络框架无法直接应用电磁波的极化信息，难以进一步扩展信道和实现更紧凑配置的多路复用全光网络器件。团队提出基于级联超构表面的矩阵衍射深度神经网络架构，将琼斯矩阵直接作为优化变量融入到全光网络中，赋予其更大的设计自由度和更丰富的功能，实现了光电高任务容量的集成分超构器件、非交错式高效琼斯矩阵全参数优化调控器件、自定义极化信息加密超构器件。该超构器件具有强大的任务承载力并具有可观的分类性能，在更大程度上提高了光电网络的任务承载力，并节省了硬件成本。

【关闭窗口】