Herschikbare magneto‑optische diffractieve neurale netwerk met verbeterde optische fasedeeltjes

Slimme camera’s die met licht denken

De slimste telefoons en auto's van vandaag vertrouwen op energie-intensieve chips om gezichten te herkennen, verkeersborden te lezen of voetgangers op te merken. Deze studie onderzoekt een heel andere benadering: in plaats van berekeningen op elektronische schakelingen uit te voeren, laat ze het licht zelf rekenen terwijl het door een dunne magnetische film vliegt. Het resultaat is een klein, herprogrammeerbaar optisch "brein" dat afbeeldingen snel kan classificeren met zeer laag energieverbruik, richting toekomstige camera’s die de wereld begrijpen op het moment dat licht hun sensoren raakt.

Het licht de rekentaken laten uitvoeren

Conventionele neurale netwerken, die veel AI‑toepassingen aandrijven, draaien op siliciumchips die elektronen verplaatsen. Dat kost energie en tijd. Diffractieve neurale netwerken daarentegen gebruiken speciaal gepatenteerde doorzichtige lagen zodat invallend licht buigt, interfereert en zich verspreidt op precies de juiste manier om hetzelfde soort berekeningen uit te voeren. Elk piepklein puntje op zo’n laag werkt als een neuron en verschuift de fase van het licht—hoe de golven op elkaar aansluiten—zodat verschillende invoerbeelden uiteindelijk verschillende helderheidspatronen aan de uitvoer produceren.

Magnetisme toevoegen voor flexibiliteit

Het probleem bij eerdere optische ontwerpen is dat hun patronen, eenmaal geproduceerd, grotendeels bevroren zijn. Om de taak te veranderen—van handgeschreven cijfers lezen naar schoenen of shirts detecteren—heb je vaak een nieuw apparaat nodig. Het team achter dit werk bouwt de cruciale laag in plaats daarvan uit een magneto‑optische film, een speciaal glasachtig materiaal waarvan kleine magnetische domeinen de polarisatie van passerend licht verdraaien. Deze domeinen kunnen worden beschreven, gewist en herschreven met een laser en een magnetisch veld, vergelijkbaar met het opnemen van bits op een oude magneto‑optische schijf. Daardoor is het optische neurale netwerk herschikbaar: hetzelfde stuk film kan ter plaatse voor nieuwe herkenningstaken worden herontworpen.

Een zwak effect tot een sterk signaal maken

Op zichzelf is de draaiing die de magnetische film aan het licht geeft vrij klein—veel minder dan wat lcd‑schermen kunnen bereiken—dus het lijkt misschien te zwak om een krachtig rekensysteem te bouwen. De auteurs overwinnen dit door een subtiel diffractie‑effect te benutten. Wanneer gepolariseerd licht de gepatenteerde magnetische domeinen raakt, krijgen verschillende delen van het uitgaande licht polarisatierichtingen die een kwartslag van elkaar verschillen. Door na de film een polarizer te plaatsen, onderdrukt de opstelling de delen van de bundel die nauwelijks veranderd waren en houdt ze vooral de sterk verdraaide component over. Deze slimme filtering versterkt het bruikbare signaal aanzienlijk zonder dat er grote faseverschuivingen in het materiaal zelf nodig zijn.

Van cijfers naar mode‑items

Om hun ontwerp te testen, trainden de onderzoekers een enkele magneto‑optische laag, samen met de polarizer, om afbeeldingen uit standaard benchmarksets te herkennen. In computersimulaties classificeerde het systeem handgeschreven cijfers correct in ongeveer 98 procent van de gevallen—vergelijkbaar met complexere optische netwerken die op sterkere fasecontrole vertrouwen. Het verwerkte ook een moeilijkere set kledingafbeeldingen met bijna 89 procent nauwkeurigheid wanneer voldoende kleine magnetische "neuronen" werden gebruikt. Het team bouwde vervolgens een echte versie met een garnetfilm die bismut en gallium bevat, een groene laser en een camera. Zelfs met praktische imperfecties bereikte het fysieke apparaat meer dan 83 procent nauwkeurigheid voor cijfers en 71 procent voor mode‑items, en het kon tussen deze taken schakelen door eenvoudig het magnetische patroon herschrijven.

Op weg naar camera’s die on‑chip waarnemen en beslissen

In gewone bewoordingen toont dit werk aan dat een dunne, herschrijfbare magnetische film kan dienen als de denklaag van een optisch AI‑systeem, ondanks dat ze het doorvallende licht slechts licht buigt. Door diffractie en polarisatie slim te combineren, persen de auteurs krachtige patroonherkenningsmogelijkheden uit bescheiden materiaaleigenschappen. Omdat het apparaat compact is, geen energie nodig heeft om zijn magnetische toestand vast te houden en werkt bij zichtbare golflengten, zou het op een dag direct bovenop beeldsensoren gebouwd kunnen worden. Zulke "edge"‑camera’s zouden niet alleen scènes vastleggen, maar ze direct interpreteren—cijfers, objecten of verkeersborden herkennen—terwijl ze veel minder energie verbruiken dan de digitale processors van vandaag.

Bronvermelding: 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

Trefwoorden: fotonicawerking, optische neurale netwerken, magneto‑optische materialen, beeldclassificatie, neuromorfe hardware