利用全光多层神经网络的高容量定向信息处理器

《SCIENCE ADVANCES》：High-capacity directional information processor using all-optical multilayered neural networks

本文提出一种方向性 diffractive deep neural network (D-D2NN)，利用三个自旋解耦元表面实现双向传播中的多功能信息处理，包括数字分类、计算模拟和信息加密，实验验证了其高效性和安全性。

　　在当前的信息处理领域，光学技术因其独特的优势，如高速处理、低能耗以及并行计算能力，被认为是一种极具潜力的计算平台。基于这一背景，研究者们一直在探索如何利用光学结构实现类似人脑的神经计算功能。其中，光子计算网络（如光学深度神经网络）成为了实现这一目标的重要手段。传统的光学深度神经网络（D²NN）通常只能在单一方向（如前向或后向）实现特定功能，而这种局限性限制了其在复杂任务处理中的应用潜力。因此，如何设计一种能够在两个相反方向都实现多样化功能的光子计算网络，成为了一个重要的研究方向。

为了突破这一限制，科学家们提出了一种新型的“方向性-光子深度神经网络”（Directional-Diffractive Deep Neural Network，简称D-D²NN），该网络通过将波传播方向编码到D²NN中，引入了新的自由度，从而实现了高容量信息处理的能力。这种方向性-光子深度神经网络的实现，得益于近年来在超材料领域取得的突破，特别是金属表面（metasurfaces）在控制光传播方面的独特能力。金属表面可以对电磁波的相位进行精确调控，同时还能独立操控其偏振状态，这种能力使得它成为构建方向性功能网络的理想平台。

D-D²NN由三层解耦偏振的金属表面组成，每层金属表面可以独立控制前向和后向传播方向的相位变化。这种结构不仅能够实现图像识别、模式分类等功能，还能在不同的传播方向上实现不同的任务处理。例如，在前向传播方向上，网络可以识别手写数字或时尚商品；而在后向传播方向上，它能够执行加法、减法、乘法和除法等类似计算的功能。通过调节相邻金属表面之间的距离，网络可以实现多种功能的集成，从而提升其处理复杂信息的能力。

在实际应用中，D-D²NN的潜力不仅体现在信息处理方面，还体现在信息加密上。由于该网络能够在多个方向上处理信息，因此它可以将信息分解为多个通道，只有在所有通道同时被访问时，才能恢复原始信息。这种特性使得D-D²NN在信息加密领域具有独特的优势，因为它可以将信息分散到多个方向通道中，从而提高信息的安全性。此外，该网络的高容量信息处理能力，使其能够处理大量的输入数据，并在多个方向上实现不同的输出结果。

D-D²NN的设计和实现，依赖于对光波传播特性的深入理解和精确调控。每层金属表面都由一系列具有特定形状和排列的亚波长结构（meta-atoms）组成，这些结构可以独立地对光波的偏振状态进行调制。通过这种方式，D-D²NN能够在前向和后向传播方向上分别执行不同的任务。例如，当使用左旋圆偏振（LCP）的太赫兹波进行前向照射时，网络能够识别特定的数字或图像；而当从后向方向照射时，它则能够对时尚商品进行分类。这种方向性功能的实现，依赖于对金属表面相位分布的精确控制，以及对相邻层之间距离的优化设计。

为了验证D-D²NN的性能，研究人员使用了多种数据集，包括MNIST和Fashion-MNIST，来训练和测试网络的分类能力。实验结果显示，D-D²NN在前向和后向方向上均能实现高精度的分类任务，其训练准确率分别达到了96.2%和98.5%。此外，网络还能够通过调节层间距离，实现多种计算功能。例如，当输入为“62”且层间距离为特定值时，网络能够输出“8”以模拟加法运算；而在不同的层间距离设置下，它能够实现减法、乘法和除法等操作。这种多功能性不仅提高了网络的灵活性，还展示了其在复杂任务处理中的巨大潜力。

在信息加密方面，D-D²NN通过将信息分散到多个方向通道中，实现了高容量的加密功能。由于每个通道的信息无法单独恢复，只有当所有通道的信息都被访问时，才能得到完整的原始信息。这种加密方式不仅提高了信息的安全性，还使得D-D²NN在保密通信和数据保护领域具有广泛的应用前景。实验表明，通过不同的层间距离和方向设置，网络能够对不同的输入数据进行加密和解密，从而验证了其在信息加密方面的有效性。

总的来说，D-D²NN作为一种新型的光学计算网络，通过引入方向性自由度，实现了在前向和后向传播方向上的多功能处理。这种设计不仅提升了信息处理的容量和效率，还为信息加密提供了新的思路。随着技术的不断进步，D-D²NN有望在未来的计算系统中发挥更加重要的作用，特别是在需要高并行性和高安全性的应用场景中。此外，D-D²NN的设计理念也为其他类型的光子计算网络提供了借鉴，推动了光学计算技术的发展。