记事本做网站背景色怎么弄html编辑器怎么用

(导读 )

人工智能对计算性能需求剧增，电子微处理器发展受功耗限制。光学计算有望解决这些问题，光学神经网络（ONNs）成为研究热点，但现有 ONNs 因设计缺陷，在图像分类任务中精度远低于现代电子神经网络，且大多只能在相干光下工作。

( 亮点 )

本研究提出了一种新型的空间变化纳米光子神经网络（SVN³），通过将并行光学计算嵌入平面相机光学系统中，在图像捕获阶段即完成神经网络计算。

大核空间变化卷积（LKSV）：通过低维重参数化技术学习大尺寸、角度依赖的卷积核，显著提升了计算效率和精度。

纳米光子阵列实现：利用超表面技术设计角度依赖的光学响应，在非相干光照下实现高效计算。

混合光电系统：结合光学前端（99%计算量）和轻量级电子后端（1%计算量），在CIFAR-10数据集上达到72.76%的准确率，超越AlexNet（72.64%），同时将电子参数数量减少四个数量级。

多功能应用：该系统还可扩展至ImageNet分类（48.64%top-5准确率）和语义分割任务，展示了其在多样化视觉任务中的通用性。

图 1.空间变化的纳米光子神经网络。

图 2.SVN 的实验验证3.

图 3.CIFAR-10 图像分类设计的制造芯片的实验测量。

图 4.来自 CIFAR-10 测试集的随机样本的实验（前 2 名）分类（概率）结果。

图 5.SVN 的验证3作为适用于各种视觉任务的多功能相机。

( 展望 )

SVN³将几乎所有计算（99.64%）从电子处理器转移到光学领域，实现4mm超薄光学堆叠，缩小了光子和电子人工智能之间的差距，且无需制造新光学器件即可推广到多种视觉任务。未来多光圈扩展有望实现高分辨率、多通道光学计算，进一步推动光子人工智能发展。

DOI: 10.1126/scia4vadp0391

【注】：小编水平有限，若有误，请联系修改；若侵权，请联系删除！