近几十年来，机器学习和深度学习算法变得越来越先进，以至于它们现在被引入各种现实世界的环境中。近年来，一些计算机科学家和电子工程师一直在探索开发另一种人工智能 (AI) 工具，称为衍射光学神经网络。

衍射光学神经网络是基于衍射光学技术的深度神经网络(即可以改变通过它们传播的光的相位的透镜或其他组件)。虽然已经发现这些网络可以实现超快的计算速度和高能效，但它们通常很难编程和适应不同的用例。

东南大学、北京大学和中国琶洲实验室的研究人员最近开发了一种衍射深度神经网络，可以轻松编程以完成不同的任务。他们的网络在Nature Electronics上发表的一篇论文中进行了介绍，该网络基于灵活的多层超表面阵列。

“我们希望实现一个衍射神经网络，其中每个单元都可以独立灵活地编程，”执行这项研究的研究人员之一崔军告诉 TechXplore。“从我们过去对数字可编程超表面、信息超表面和电磁调节经验的研究中汲取灵感，我们通过构建多层可编程透射超表面，创建了一种可编程衍射神经网络机器，我们将其命名为可编程人工智能机器 (PAIM)。”

研究人员的衍射神经网络执行的计算与光学衍射神经网络执行的计算非常相似。更具体地说，当电磁波通过其多层超表面传播时，他们的网络执行矩阵网络运算，这类似于光学衍射网络执行的光速计算。

“我们工作的关键突破是每个神经元都是独立可重新编程的，”崔解释说。“因此，整个神经网络可以在现场进行训练和编程，也可以根据不同的任务要求进行重复训练。我们设计了一个集成了功率放大器芯片的具有可重新编程传输系数的超表面单元(神经元)。”

研究人员网络中的每个放大器都可以通过现场可编程门阵列 (FPGA) 进行数字控制。FPGA 是包含一系列不同可编程逻辑块或单元的系统。在崔和他的同事创建的系统中，每个单独的单元都可以独立控制，这使工程师可以对整个神经网络进行编程，并使其在特定任务中表现良好。

“我们研究的最大亮点是以便捷高效的方式实现了可编程衍射神经网络，”崔说。“过去，光学衍射深度神经网络主要由二氧化硅等光学介质组成，属于不可调材料。因此，这种类型的光学神经网络需要借助计算机进行训练，最终得到网络分布是在处理之前获得的。”

大多数先前开发的衍射光学神经网络在训练后仍然保持不变。结果，他们只能完成一组他们最初接受训练的任务。相比之下，由于它基于数字超表面，因此由 Cui 和他的同事创建的网​​络可以通过编程来完成不同的任务。

“可编程超表面可以控制电磁波，结构简单，成本低，效率高，是构建可编程神经网络的潜在选择，”崔补充道。“我们的 PAIM 还可以直接调制具有光速的自由空间电磁波，这是用于 5G 和 6G 无线通信的潜在低延迟信号处理单元。”

在初步评估中，这组研究人员引入的衍射神经网络取得了非常有希望的结果，因为它被发现具有高度的灵活性并且适用于各种场景。因此，在未来，它可以用来解决各种现实世界的问题，包括图像分类、波传感和无线通信编码/解码。同时，崔和他的同事们将致力于进一步提高其性能。

“这项工作中实现的原型是基于5层衍射神经网络，每层有64个可编程神经网络，网络中的节点总数相对较少，”崔补充道。“同时，这个网络的工作频段较低，导致物理网络的规模更大。在我们接下来的研究中，我们计划进一步增加网络可编程神经元的规模，提高网络集成度，缩小体积，形成一套计算能力更强、传感通信实用性更强的智能计算机。”