哈工大在全光深度学习领域取得进展

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》（Matrix Diffractive Deep Neural Networks Merging Polarization into Meta-Devices）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（MD2NNs），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。MD2NNs通过琼斯矩阵超构表面为研究人员提供了将极化并入电磁场和光场调制器的新策略，有望推动全光网络向多任务集成和更先进的功能器件方向发展。

基于该框架，团队首先实现了光电高任务容量的集成分超构器件，通过将多个分类任务将其编码到特定的极化通道中，使多个机器学习任务可集成到单个超构设备中。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。此外，团队运用MD2NNs设计了两层空间级联的双折射超构表面，实现了非交错式高效琼斯矩阵全参数优化调控，其使用的超构单元周期仅为工作波长的0.35倍，相较于传统方法具有更高的空间分辨率，且保持超构器件原有的亚波长特性和更小的相对孔径尺寸。同时，传输能量主要集中在0阶衍射通道中，无需采用斜入射和斜出射的复杂配置进行图像增强，使得全息图效率更高、器件配置更紧凑。最后，团队运用MD2NNs设计出自定义极化信息加密超构器件。该器件由两层超构表面组成，分别为纯相位和双折射超构表面。通过旋转或更换纯相位超构表面，可实现多通道、低串扰、定制极化的信息加密传输。

哈工大电信学院为论文唯一通讯单位。电信学院祁嘉然教授和程亚运副教授为论文共同通讯作者，博士研究生王禹忠为论文第一作者，硕士研究生余阿祥参与相关研究工作。

该研究工作获国家自然科学基金项目资助。