物理神经网络“双杀”Science和Nature！最新思路爆火，要拿分趁现在！

作为物理神经网络的一种， 光学神经网络ONN 最近可谓是成果显著。前脚清华的最新FFM训练方法刚登上Nature，后脚Science子刊上的纳米光子神经网络就实现了最佳性能。

这得益于ONN多方面的优势，不仅可以利用光速传输信息， 实现高速的并行计算 ，而且由于光子不存在电荷，不会像电子那样产生热量，ONN还可以 实现更低的运行能耗， 在图像识别等多个领域都有着非常广泛的应用，可以说是 当下的一个新兴且热门的科研方向。

为方便感兴趣的同学快速了解ONN的前沿动态，我这次整理了 12个 最新的光学神经网络创新方案， 开源代码贴心附上，想找idea的同学可以直接拿来作参考。

扫码添加小享， 回复“ 光学神经 ”

免费获取 全部论文+开源代码

Spatially varying nanophotonic neural networks

方法： 论文提出了一种空间变化的纳米光子神经网络，它是一种光学神经网络。这种网络通过在相机镜头中嵌入并行光学计算，利用大尺寸空间变化卷积核和低维重参数技术，实现了在捕获图像之前在传感器上进行神经网络计算，显著提升光学神经网络的性能。

创新点：

• 通过将并行光学计算嵌入到平面相机光学系统中，使神经网络计算在图像捕获期间即可完成。
• 设计了一种仅有4毫米厚度的光学系统，类似于在传感器盖板上进行计算。
• 通过优化金属透镜的相位剖面，作者开发了一种可微的空间变化逆设计框架，能够在空间不相干照明下生成所需的角度依赖响应。

Multiplexed orbital angular momentum beams demultiplexing using hybrid optical-electronic convolutional neural network

方法： 论文提出了一种混合光学-电子卷积神经网络（OECNN），用于在模拟大气湍流条件下实现多路复用轨道角动量（OAM）光束的高效解复用。该系统通过结合光学元件和电子神经网络，提高了数据传输的可靠性和效率。

创新点：

• 提出了一种混合光电卷积神经网络（OECNN），能够在模拟的大气湍流条件下完成傅里叶光学卷积和基于强度识别的多路复用OAM束的解复用。
• 通过在傅里叶平面使用数字微镜设备（DMD），实现了傅里叶光学卷积操作。
• 利用由亚波长天线阵列组成的超表面，来同时生成OAM编码信号阵列，并完成大规模并行傅里叶光学卷积。

扫码添加小享， 回复“ 光学神经 ”

免费获取 全部论文+开源代码

Netcast: low-power edge computing with WDM-defined optical neural networks

方法： 论文分析了一种名为Netcast的光学神经网络架构，用于优化深度神经网络（DNN）推理过程，通过将DNN推理的权重编码任务推至服务器端，从而减轻客户端在尺寸、重量和功耗（SWaP）方面的压力。

创新点：

• NetCast是一种新颖的光神经网络架构，利用波分复用（WDM）、宽带调制和积分检测的优势，将深度神经网络的推理任务分为两部分：服务器端的权重编码和客户端的轻量光学后处理。
• NetCast通过将权重检索问题转移到服务器端，将电能消耗从O(N²)降低到理论上的O(N)，而在客户端进行矩阵-向量积的轻量操作。