东大崔铁军院士团队构建可编程人工智能机，展现图像识别、强化学习等多种应用场景

在图片辨识与此相关之中，PAIM的第一层时是外层作为图片转换层，根据转换图片的像素原产调制每个各别的增益系数，当平面带电粒子横穿第一层时是外层后就不会携带转换图片的信息终口到后续的四层时是外层。PAIM的后四层被受训为图片辨识器，事与愿违输出的电磁场高能量原产不会反映出图片被推算为哪一类的概率，并被接收点火塔所接收、辨识。基于10类手写倍数图片辨识的建模实验者与此相关揭示了PAIM可以达到90%以上的辨识正确率，同时PAIM在简便花纹辨识的实测与此相关之中赢取了100%的辨识正确率（图2）。

图2：基于PAIM的简便花纹辨识实测结果 | 学术研究研发团队供图

在无线电通信编解码器与此相关之中，学术研究研发团队演示了基于PAIM的可实现编解码器和去则否基本功能，可在同一带宽之中同时终口四路客户口接收器。学术研究研发团队可用PAIM终口了上海交通大学ESO东欧国家重点研究团队的标识花纹（图3a），为了放缓终口速率可用不同客户口通道终口图片的不同部分，由此使得终口速度大大提高为原来的四倍。

在则否声环境之中的实验测试结果表明，PAIM同时意味着了去则否和编解码器基本功能。和传统的CDMA无线电通信体系结构相比，PAIM并不需要在带电粒子的精心设计域展开接收器的编解码器和去则否操作，因此可很大地增加无线电通信时延。同时得益于PAIM强大的生活空间带电粒子处理事件灵活性，能很好地处理事件和生成空分接收器，使得在同一带宽之中可同时终口多路接收器，很大地大大提高了带宽容量。

图3：基于PAIM的无线电通信编解码器和去则否实测与此相关 | 学术研究研发团队供图

事实上，由于频段资源的日益枯竭，空分多址电子技术得到了越来越多的注目并早就成第五代和第六代无线无线电通信的关键电子技术之一。PAIM可基本上作为解码器置于无线电通信的接收口，同时接收多个无线电通信基站和其他点火口所点火的接收器，并对其展开可实现示例事件。

此外，PAIM不仅可接收传统点火点火塔所点火的接收器，还能接收由反射样式时是外层所点火的很强丰富生活空间高能量原产的带电粒子接收器。通过加载预先设置的各别实例，PAIM可解码不同点火口点火的接收器，并将其高能量传递到对应的接收点火塔口下部。

参考文献

[1]C. Liu et al., "A programmable diffractive deep neural network based on a digital-coding metasurface array," Nature Electronics, 2022, doi: 10.1038/s41928-022-00719-9.

[2]Y. Lecun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, no. 7553, pp. 436-444, 2015.

[3]G. Huang, G. B. Huang, S. J. Song, and K. Y. You, "Trends in extreme learning machines: A review," Neural Networks, vol. 61, pp. 32-48, Jan 2015, doi: 10.1016/j.neunet.2014.10.001.

[4]V. Mnih et al., "Human-level control through deep reinforcement learning," Nature, vol. 518, no. 7540, pp. 529-533, Feb 26 2015, doi: 10.1038/nature14236.

[5]L. Mennel, J. Symonowicz, S. Wachter, D. K. Polyushkin, A. J. Molina-Mendoza, and T. Mueller, "Ultrafast machine vision with 2D material neural network image sensors," Nature, vol. 579, no. 7797, pp. 62-66, Mar 2020, doi: 10.1038/s41586-020-2038-x.

[6]Y. Shen et al., "Deep learning with coherent nanophotonic circuits," Nature Photonics, vol. 11, no. 7, pp. 441-446, 2017, doi: 10.1038/nphoton.2017.93.

[7]X. Lin et al., "All-optical machine learning using diffractive deep neural networks," Science, vol. 361, no. 6406, pp. 1004-1008, Sep 7 2018, doi: 10.1126/science.aat8084.

[8]E. Khoram et al., "Nanophotonic media for artificial neural inference," Photonics Research, vol. 7, no. 8, pp. 823-827, Aug 1 2019, doi: 10.1364/prj.7.000823.

[9]T. J. Cui, M. Q. Qi, X. Wan, J. Zhao, and Q. Cheng, "Coding metamaterials, digital metamaterials and programmable metamaterials," Light-Science & Applications, vol. 3, p. e218, Oct 2014, Art no. e218, doi: 10.1038/lsa.2014.99.

作者：卫子夫 马謇

编辑：煎鳖

手写：尹宁流

学术研究研发团队

通讯作者 崔铁军：之华南地区科学院副院长，上海交通大学首席名誉教授， IEEE Fellow，长期从事电磁时是材料和推算电磁学的学术研究组，是科睿若无确保球高被引学者。创建了信息时是材料新体系，负责研发了以外方位高效率的电磁专用建模软件，赢取了显著的经济效益与社不会效益。学术研究成果入选2010年之华南地区科学十大十分困难，作为第一完成人获2011年教育部人文科学一等奖、2014年东欧国家人文科学最高奖、2016年军队科学电子技术进步一等奖、及2018年东欧国家人文科学最高奖等。

（主导）第一作者卫子夫，上海交通大学信息科学与交通学院北京师范大学。

（主导）第一作者 马常山，上海交通大学信息科学与工程学校北京师范大学，现为上海交通大学至善博士后。

学术研究研发团队

发行医学期刊 《自然·微电子》Nature Electronics

发行时间 2022年2月初21日

论文标题 A programmable diffractive deep neural network based on a digital-coding metasurface array

（DOI：）

点击阅读原文即可查看原论文