[超表面论文快讯-203] LPR-级联超表面模块化衍射神经网络-上理工庄松林院士团队-CSDN博客

栏目介绍： “论文快讯”栏目旨在精简地分享一周内发表在高水平期刊上的Metasurface领域研究成果，帮助读者及时了解领域前沿动态，如果对专栏的写法或内容有什么建议欢迎留言，后续会陆续开启其他专栏，敬请期待。
在这里插入图片描述

论文基本信息：

标题：
Modular Diffractive Neural Networks Using Cascaded Metasurfaces（级联超表面的模块化衍射神经网络）

作者：
Guannan Wang（上海理工大学太赫兹技术创新研究院）；
通讯作者 臧小飞（上海理工大学太赫兹技术创新研究院）；
Zhiyu Tan（上海理工大学太赫兹技术创新研究院）；
Teng Zhang（上海理工大学太赫兹技术创新研究院）；
Zhe Gao（上海理工大学太赫兹技术创新研究院）；
Yuanbo Wang（西安应用光学研究所）；
Deng Zhang（西安应用光学研究所）；
Alexander P. Shkurinov（莫斯科国立大学物理系）；
通讯作者 朱亦鸣（上海理工大学太赫兹技术创新研究院）；
庄松林院士（上海理工大学太赫兹技术创新研究院）

发表时间：
2025年6月24日

发表期刊：
Laser & Photonics Reviews（JCR-Q1，IF=10）

论文重要图文：

摘要：作为光学与人工智能融合的全光衍射神经网络（DNN），利用基于光的计算架构，凭借其低能耗与高并行处理速度，提供了超越摩尔定律限制的潜力。然而，现有DNN框架在实现空间组装架构（即通过组合两个或多个独立物理层）以创建类似乐高的可重构DNN（能够生成额外功能）方面存在局限。本工作引入模块化编程概念，开发了基于级联超表面的模块化衍射神经网络（MDNNs）——每个超表面实现各自功能，而级联超表面具备额外功能。MDNNs在多任务功能的灵活性与可重构性方面展现出显著优势：当独立工作时，两个基于超表面的模块可分别作为手写字母与时尚产品的分类器；当以不同空间顺序组装这两个模块时，可获得手写数字分类器与成像器的额外功能。此外，MDNNs可被设计为模拟高容量加密通信架构。这种灵活且多路复用的MDNNs框架潜力巨大，为兼具多功能集成、大规模并行处理与全光信息安全的全光计算开辟了新路径。

在这里插入图片描述

图1. 具有处理多任务空间组装能力的模块化DNN示意图。a) 在左旋圆偏振（LCP）太赫兹波入射下，由独立模块（模块A和模块B）组成的子MDNN 1和子MDNN 2分别执行手写字母和时尚产品分类任务；由两个不同组装顺序模块组成的子MDNN 3实现手写数字分类与成像功能。b) 传统层间耦合固定的DNN与类乐高模块化组装能力的模块化DNN对比。
在这里插入图片描述

图2. MDNNs设计原理与实验装置。a,b) 左旋圆偏振太赫兹波入射下，独立模块A与组装模块（模块A+模块B）的工作机制。c) 独立模块B的工作机制。d) 设计方法与加工实验样品（黄色标记指示长度330 μm）。e) 自旋解耦超表面中单元结构示意图，以及x和y偏振太赫兹波照射下的仿真相移（φx, φy）与透射系数（Tx, Ty）。f) 实验装置。
在这里插入图片描述

图3. 0.7 THz左旋圆偏振入射下通过模块化操作实现多任务处理的MDNNs。a) 用于手写字母“a”“b”“c”分类的模块A及其输出电场强度分布、分析能量分布（柱状图）与仿真/实验混淆矩阵。b) 用于时尚产品“裤子”“外套”“运动鞋”分类的模块B及其仿真与实验输出结果。c) 按A到B顺序组装的级联模块（模块A+模块B）用于手写数字“0”“1”“2”分类及其仿真与实验输出结果。
在这里插入图片描述

图4. MDNNs的顺序依赖功能。a) 两种组装顺序下分类与成像联合训练示意图。b) 按B到A顺序组装的级联模块（模块A+模块B）用于成像，输入图像为“0”“1”“2”和“T”“H”“Z”。c) 仿真与实验输出电场强度分布，验证内部泛化（即“0”“1”“2”成像）与外部泛化（即“T”“H”“Z”成像）。
在这里插入图片描述

图5. 基于MDNNs的高容量全光信息加密策略。a–c) 四种明文到密文的加密过程：密钥1对应手写“0”“1”“2”“3”，密钥2对应“a”“b”“c”“d”，密钥3对应“22”“36”“41”“70”，密钥4对应“ab”“cc”“nq”“rt”。d–f) 输出平面计算电场强度分布，通过四种超表面密钥（超表面密钥1至超表面密钥4）将密文解密为明文：字母（“M”“E”“T”“A”）、数字（“2”“0”“2”“5”）、元素符号（“Si”“Ti”“Cu”“Au”）及图像（“猴子”“公牛”“狗”“兔子”）。

论文快览：

解决的问题：
全光衍射神经网络（DNN）凭借高速并行计算潜力推动光学计算发展，但传统DNN功能固定，无法通过空间组装独立物理层生成新功能，限制了多任务处理与可重构性；现有3D打印衍射结构难以实现可调谐与偏振复用，阻碍了DNN在多功能集成场景的应用拓展。

提出的方法：
提出基于级联自旋解耦超表面的模块化衍射神经网络（MDNNs），每个超表面作为独立模块，通过自旋相关元单元独立调控正交圆偏振分量；利用瑞利-索末菲衍射理论建模层间衍射，优化模块相位参数以实现独立任务功能；通过空间组装不同顺序模块（如A-to-B或B-to-A），结合几何相位特性转换偏振态，生成与独立模块解耦的新功能。

实现的效果：
独立模块对字母（EMNIST数据集）、时尚产品（Fashion-MNIST数据集）分类的实验准确率分别达93.3%和100%；组装模块实现数字分类（MNIST数据集）准确率93.3%，并支持成像功能（如识别未训练的“T”“H”“Z”图案）；加密场景下，四类型信息（字母、数字、元素符号、动物图像）可加密为不同密文，仅授权用户通过元密钥解密。

创新点分析：
突破传统DNN功能固定的局限，首次将模块化编程引入全光计算，通过级联自旋解耦超表面实现“乐高式”可组装架构；利用自旋偏振通道解耦与空间顺序依赖特性，使组装模块生成独立于原功能的新任务（如分类与成像），同时保持功能间无串扰；拓展了全光计算的多任务并行处理能力，为高容量加密、智能光子系统提供了灵活的模块化设计范式。

G. Wang, X. Zang, Z. Tan, T. Zhang, Z. Gao, Y. Wang, D. Zhang, A. P. Shkurinov, Y. Zhu, S. Zhuang, Modular Diffractive Neural Networks Using Cascaded Metasurfaces. Laser Photonics Rev 2025, e00923. https://doi.org/10.1002/lpor.202500923

免责声明：
本公众号专注于超表面领域的最新研究动态、学术成果和技术应用分享。所有发布的内容和图片，均已标明来源，且仅供个人学术学习和知识积累使用，不得用于商业目的。如您发现任何版权或相关问题，欢迎通过邮箱 metasurface@126.com 联系我们，我们将尽快处理并协调相关事宜。