撰稿|课题组供稿
本文提出并实验演示了一种新型的基于超表面的光学卷积加速器设计，以解决现有技术所面临的挑战。该设计可消除对透镜和偏振器等额外光学元件的需求，使超表面能够无缝且紧凑地集成到后续成像系统中，可实现0.016 mm³的系统体积。此外，通过优化超表面透射光场的空间相位，可有效抑制相邻图像传感器之间的空间串扰，使其低至-20dB，从而显著提升卷积计算精度。同时，该超表面能够并行计算多个卷积核，因此可作为卷积神经网络中的光学卷积层，应用于各种图像处理任务。在不同线偏振光的入射下，本文可实现对MNIST手写数字96% 的识别准确率。基于超表面的光学卷积加速器作为一种节能高速的边缘计算硬件，可广泛应用于各种机器视觉系统。
本文中超表面单元为圆柱体型（图2a），具有对光学偏振不敏感的优点，这使得超表面能够处理任意线偏振态的光学信息。通过调整超表面单元半径，可实现对入射光全相位2π调制（图 2b）。将超表面圆柱单元以特定方式排列在二维平面上，可形成对入射光具有聚焦效果的超表面透镜（图2c），绝大部分光场能量集中在图像传感器的有效区域内，仅有极少部分光场能量通过光衍射传播到相邻图像传感器，从而显著降低相邻图像传感器之间的串扰。超表面透镜的聚焦效率被定义为卷积核的权重。为实现连续可调的卷积核权重，我们在传统超表面透镜中引入米式共振（Mie resonance）超表面单元，米式共振会导致透射效率降低，通过优化米式共振超表面单元数目，可实现一系列连续的超表面透射效率（图2d）。
本文中制备的超表面可用于图像特征提取（图3a）。通过粒子群算法优化所有超表面单元结构的半径，以实现用于特征提取的4个3×3卷积核（图3c），仿真与目标设计的卷积核在数值上接近，可实现7.3×10-4 的低均方根误差。实验所测的超表面透射光场与仿真结果一致，不同强度的聚焦光斑表明不同的卷积核权重（图3b）。实验所得的图像卷积特征图与目标设计结果吻合，图中物体的垂直和水平方向特征皆被有效提取，可实现7.7×10-4 的低均方根误差（图3d）。
图3. （a）用于图像特征提取的超表面光学显微图；（b）实验所测超表面透射光场分布与仿真透射光场分布；（c）目标设计、仿真与实验所测的卷积核；（d）超目标设计、仿真与实验所测的图像卷积特征图。
本文中制备的超表面可用作卷积神经网络中的卷积层，实现低延时和低功耗的并行卷积，从而加速卷积神经网络计算。在实验中，超表面为卷积神经网络提供4个并行的3 × 3卷积核，这些卷积核预先在计算机上进行MNIST图像分类任务的训练，并通过优化超表面来实现这些预训练卷积核。实验测得的光场分布与仿真结果一致（图 4a），从中可提取出4个卷积特征图（图 4b）。这些卷积特征图被输入到后端数字全连接网络中，以生成输入图像的预测分类结果（图 4c）。利用MNIST光学图像，对基于超表面的卷积神经网络性能进行测试，最终实现96 % 的分类准确率（图 4d）。对于不同偏振方向的入射光，制备的超表面展现出一致的透射率（图 4e），实验结果与仿真结果高度一致。针对不同偏振光编码的MNIST图像，基于超表面的光电融合卷积神经网络系统表现出一致的96 % 准确率，表明所提出的超表面光学卷积加速器可有效处理各种光偏振的信息。
图4. （a）实验所测与仿真的超表面透射光场分布；（b）实验提取与仿真的图像卷积特征图；（c）基于光学超表面的光电混合卷积网络加速系统架构示意图；（d） MNIST数据集图像分类的混淆矩阵，实验准确率为96 %；（e）实验与仿真的超表面透射率与入射偏振角度的关系；（f）不同偏振方向下的MNIST图像分类的实验准确率。
