盖世轿车讯 现在，依据人工神经网络的深度学习算法正在彻底改动许多科学与工程范畴内的信息处理办法，并且现已被应用于图画分类、图画加密、语音辨认和言语翻译等许多具体使命中。不过，跟着AI算法的开展，人工神经网络所需的核算才能与电子芯片所供给的核算才能之间有着巨大对立。

  摩尔定律在“后摩尔年代”的放缓以及冯诺依曼架构的局限性导致了现有核算架构的高能耗与高耗时问题。

  以光为介质的衍射神经网络具有核算速度快、并行度高、传输能耗低一级长处，能够模仿人工神经网络进行高速核算，处理了核算才能与能耗问题。

  近年来，全光衍射神经网络在图画处理和物体辨认等方面已得到广泛应用和验证。衍射神经网络一般由多个衍射层构成，每个衍射层内部的单元结构可被视为一个神经元，不同衍射层间神经元经过光衍射来完成相互连接。

  衍射神经网络在图画辨认、线性矩阵运算、逻辑运算和光束整形等范畴得到了广泛研讨。

  现在，衍射神经网络一般被应用于太赫兹和微波频段，可是依然难以完成集成小型化并缺少重构性。与传统的衍射光学元件比照，超外表在光学波段上愈加紧凑，可经过改动超外表内部元原子的形状、巨细和摆放来一起操控光的振幅和相位。运用超外表完成衍射神经网络有助于完成小型化智能集成式光学器材。

  据外媒报导，有一位科学家宣布了一篇文章，提出了可插拔衍射神经网络（P-DNN）来处理衍射神经网络的可重构性问题。结合搬迁学习算法，能够练习内部插件的相位参数；经过切换网络中的可插拔组件，完成手写体数字辨认、时髦辨认等多种辨认使命。

  如图1所示，可插拔衍射神经网络的调制层可分为两部分：用于预处理输入信息的同享层以及用于切换多种使命的可插拔层。

  选用特定形状的掩膜可调制输入信息，入射光经过可插拔衍射神经网络后聚集到勘探平面的子勘探区域，并依据能量散布确认物体分类。在固定同享层插件的情况下，能轻松完成手写体数字辨认、时髦辨认等其他辨认使命。

  为了验证所提出办法的有效性，研讨小组规划了一个双层级联超外表，可在800纳米近红外波段作业，展现了可插拔衍射神经网络在手写体数字和时髦辨认使命方面的才能。手写体数字和时髦分类使命在试验中的分类精确率别离超越91.3%和90.0%（图2a.b）

  经过剖析勘探平面各子勘探区域的能量散布，当同享层插件固守时，别离运用手写体数字插件和时髦插件，依据能量散布能够精确辨认手写体数字和时髦使命（图2c,d）

  可插拔衍射神经网络是一种通用模型，可应用各种分类使命，提高网络规划的灵活性，一起有实际效果的削减核算资源和练习时刻的耗费。可插拔衍射神经网络具有十分杰出的可重构性，处理了衍射神经网络缺少可重构性的问题，元外表的运用有助于完成器材集成化以及小型化。

  未来，依据超外表的可插拔衍射神经网络可用于光学集成组件，完成不同功用的AI体系，为无人驾驶体系中的实时物体勘探和显微镜成像中的智能光学滤波等特定使命供给所需的低能耗与高速核算。