Rekonfigurierbares magneto-optisches diffraktives neuronales Netzwerk mit verbesserter optischer Phasenmodulation

Intelligente Kameras, die mit Licht denken

Die fortschrittlichsten Smartphones und Autos von heute verlassen sich auf stromfressende Chips, um Gesichter zu erkennen, Straßenschilder zu lesen oder Fußgänger zu entdecken. Diese Studie untersucht einen ganz anderen Ansatz: Anstatt die Rechenarbeit in elektronischen Schaltkreisen zu erledigen, lässt sie das Licht selbst die Berechnungen ausführen, während es durch einen dünnen magnetischen Film wandert. Das Ergebnis ist ein winziges, rekonfigurierbares optisches „Gehirn“, das Bilder schnell klassifizieren kann und dabei sehr wenig Energie verbraucht – ein Hinweis auf zukünftige Kameras, die die Szene sofort verstehen, sobald Licht auf ihre Sensoren trifft.

Das Licht rechnen lassen

Konventionelle neuronale Netzwerke, die viele KI-Anwendungen antreiben, laufen auf Siliziumchips, die Elektronen bewegen. Das kostet Energie und Zeit. Im Gegensatz dazu nutzen diffraktive neuronale Netzwerke speziell gemusterte transparente Schichten, sodass einfallendes Licht so gebrochen, interferiert und verteilt wird, dass es die gleichen Arten von Berechnungen ausführt. Jeder winzige Punkt auf einer solchen Schicht wirkt wie ein Neuron und verändert die Phase des Lichts – also die Ausrichtung seiner Wellen – so, dass verschiedene Eingabebilder unterschiedliche Helligkeitsmuster am Ausgang erzeugen.

Magnetismus für mehr Flexibilität

Das Problem frühere optische Entwürfe war, dass ihre Muster nach der Herstellung weitgehend festgelegt sind. Um die Aufgabe zu ändern – beispielsweise von handgeschriebenen Ziffern zu Schuhen oder Hemden – benötigt man oft ein neues Gerät. Das Team hinter dieser Arbeit baut stattdessen die Schlüssel­schicht aus einem magneto-optischen Film, einem glasähnlichen Material, dessen winzige magnetische Domänen die Polarisation des hindurchtretenden Lichts verdrehen. Diese Domänen können mit einem Laser und einem Magnetfeld geschrieben, gelöscht und neu beschrieben werden, ähnlich wie früher Daten auf magneto-optischen Scheiben aufgezeichnet wurden. Dadurch wird das optische neuronale Netzwerk rekonfigurierbar: dieselbe Filmschicht lässt sich vor Ort für neue Erkennungsaufgaben umgestalten.

Ein schwaches Effekt in ein starkes Signal verwandeln

Für sich genommen ist die Drehung, die der magnetische Film dem Licht verleiht, recht klein – bei Weitem geringer als das, was Flüssigkristallanzeigen erreichen können – sodass sie zu schwach für einen leistungsfähigen Rechner erscheinen mag. Die Autoren überwinden dies, indem sie einen subtilen Beugungseffekt ausnutzen. Wenn polarisiertes Licht auf die gemusterten magnetischen Domänen trifft, nehmen verschiedene Teile des austretenden Lichts Polarisationsrichtungen an, die um einen rechten Winkel verschieden sind. Durch das Platzieren eines Polarisators hinter dem Film unterdrückt das System die kaum veränderten Anteile des Strahls und lässt überwiegend die stark verdrehten Komponenten passieren. Diese clevere Filterung verstärkt das nutzbare Signal erheblich, ohne dass im Material selbst große Phasenverschiebungen nötig wären.

Von Ziffern zu Kleidungsstücken

Um ihr Design zu testen, trainierten die Forscher eine einzelne magneto-optische Schicht zusammen mit dem Polarisator, um Bilder aus standardisierten Benchmark-Datensätzen zu erkennen. In Computersimulationen klassifizierte das System handgeschriebene Ziffern in etwa 98 Prozent der Fälle korrekt – ähnlich wie komplexere optische Netzwerke, die auf stärkere Phasenkontrolle setzen. Es bewältigte auch eine anspruchsvollere Sammlung von Bekleidungsbildern mit fast 89 Prozent Genauigkeit, wenn genügend winzige magnetische „Neuronen“ verwendet wurden. Das Team baute anschließend eine reale Version mit einem Granatfilm, der Bismut und Gallium enthält, einem grünen Laser und einer Kamera. Selbst mit praktischen Unvollkommenheiten erreichte das physische Gerät über 83 Prozent Genauigkeit bei Ziffern und 71 Prozent bei Modeartikeln, und es konnte zwischen diesen Aufgaben einfach durch Neuschreiben des magnetischen Musters wechseln.

Hin zu Kameras, die auf dem Chip wahrnehmen und entscheiden

Alltäglich ausgedrückt zeigt diese Arbeit, dass ein dünner, wiederbeschreibbarer magnetischer Film trotz nur sanfter Lichtdrehung als Denk­schicht eines optischen KI-Systems dienen kann. Durch eine geschickte Anordnung von Beugung und Polarisation pressen die Autoren leistungsfähige Mustererkennungsfähigkeit aus bescheidenen Materialeigenschaften heraus. Da das Gerät kompakt ist, keine Energie benötigt, um seinen magnetischen Zustand zu halten, und im sichtbaren Wellenlängenbereich arbeitet, könnte es eines Tages direkt auf Bildsensoren integriert werden. Solche Edge-Kameras würden nicht nur Szenen erfassen, sondern sie sofort interpretieren – Ziffern, Objekte oder Verkehrsschilder erkennen – und dabei deutlich weniger Energie verbrauchen als heutige digitale Prozessoren.

Zitation: Sakaguchi, H., Watanabe, K., Ikeda, J. et al. Reconfigurable magneto-optical diffractive neural network with enhanced optical phase modulation. Sci Rep 16, 8920 (2026). https://doi.org/10.1038/s41598-026-42193-9

Schlüsselwörter: photonisches Rechnen, optische neuronale Netzwerke, magneto-optische Materialien, Bildklassifikation, neuromorphische Hardware