Rekonfigurowalna magneto-optyczna dyfrakcyjna sieć neuronowa z ulepszoną modulacją fazy optycznej

Inteligentne aparaty, które myślą światłem

Najbardziej zaawansowane telefony i samochody polegają dziś na energochłonnych układach scalonych, aby rozpoznawać twarze, czytać znaki drogowe czy wykrywać pieszych. W tym badaniu pokazano zupełnie inne podejście: zamiast wykonywać obliczenia na układach elektronicznych, pozwala się światłu wykonywać je samoistnie w miarę, jak przechodzi przez cienką warstwę magnetyczną. Efektem jest mikroskopijny, rekonfigurowalny optyczny „mózg”, który potrafi szybko klasyfikować obrazy przy bardzo niskim zużyciu energii, co wskazuje drogę ku przyszłym aparatom rozumiejącym scenę w chwili, gdy światło pada na ich czujniki.

Pozwolić światłu wykonać obliczenia

Konwencjonalne sieci neuronowe, napędzające wiele aplikacji AI, działają na układach krzemowych, które przeprawiają elektrony. To kosztuje energię i zajmuje czas. Z kolei dyfrakcyjne sieci neuronowe wykorzystują specjalnie wzorcowane przezroczyste warstwy, tak że padające światło załamuje się, interferuje i rozprasza w sposób umożliwiający wykonanie analogicznych obliczeń. Każdy maleńki punkt takiej warstwy działa jak neuron, delikatnie przesuwając fazę światła — sposób, w jaki jego fale się układają — tak by różne obrazy wejściowe dawały różne wzory jasności na wyjściu.

Dodanie magnetyzmu dla elastyczności

Wada wcześniejszych optycznych projektów polega na tym, że po wytworzeniu ich wzory są w dużej mierze stałe. Aby zmienić zadanie — od odczytu odręcznych cyfr do wykrywania butów czy koszul — często trzeba nowego urządzenia. Zespół stojący za tym pracą zamiast tego buduje kluczową warstwę z filmu magneto-optycznego, specjalnego szklisto wyglądającego materiału, którego maleńkie domeny magnetyczne skręcają polaryzację przechodzącego światła. Domeny te można zapisywać, kasować i ponownie zapisywać za pomocą lasera i pola magnetycznego, podobnie jak zapisywano bity na starych magneto-optycznych dyskach. Dzięki temu optyczna sieć neuronowa jest rekonfigurowalna: ta sama warstwa może być na miejscu przeprojektowana dla nowych zadań rozpoznawania.

Zmiana słabego efektu w silny sygnał

Sama w sobie zmiana polaryzacji, którą film magnetyczny nadaje światłu, jest dość niewielka — znacznie mniejsza niż to, co potrafią wyświetlacze ciekłokrystaliczne — więc mogłoby się wydawać, że to zbyt słabe, by zbudować wydajny układ. Autorzy przezwyciężają to, wykorzystując subtelny efekt dyfrakcyjny. Gdy spolaryzowane światło pada na wzorcowane domeny magnetyczne, różne części wychodzącego pola zyskują kierunki polaryzacji różniące się o kąt prosty. Umieszczając po filmie polaryzator, układ tłumi te fragmenty wiązki, które uległy niewielkiej zmianie, i zachowuje w przeważającej mierze komponent silnie skręcony. To sprytne filtrowanie znacząco wzmacnia użyteczny sygnał bez konieczności uzyskania dużych zmian fazy w samym materiale.

Od cyfr do elementów garderoby

Aby przetestować swój projekt, badacze wytrenowali pojedynczą warstwę magneto-optyczną wraz z polaryzatorem do rozpoznawania obrazów z standardowych zbiorów testowych. W symulacjach komputerowych system poprawnie klasyfikował odręczne cyfry w około 98 procent przypadków — podobnie jak bardziej złożone sieci optyczne, które polegają na silniejszej kontroli fazy. Poradził sobie też z trudniejszym zbiorem obrazów odzieży z niemal 89-procentową dokładnością przy użyciu wystarczającej liczby drobnych magnetycznych „neuronów”. Zespół następnie zbudował rzeczywistą wersję używając granatu zawierającego bizmut i gal, zielonego lasera i kamery. Nawet z uwzględnieniem praktycznych niedoskonałości, fizyczne urządzenie osiągnęło ponad 83 procent poprawności dla cyfr i 71 procent dla elementów garderoby, i mogło przełączać się między tymi zadaniami po prostu przez ponowne zapisanie wzoru magnetycznego.

W kierunku aparatów, które czują i decydują na chipie

Mówiąc prostymi słowami, praca ta pokazuje, że cienka, przepisywalna warstwa magnetyczna może służyć jako warstwa myśląca w optycznym systemie AI, mimo że tylko delikatnie skręca przechodzące przez nią światło. Dzięki sprytnemu wykorzystaniu dyfrakcji i polaryzacji autorzy wyciskają zdolność rozpoznawania wzorców z umiarkowanych właściwości materiału. Ponieważ urządzenie jest kompaktowe, nie wymaga zasilania do utrzymania stanu magnetycznego i działa w widzialnym zakresie długości fali, pewnego dnia można by je zintegrować bezpośrednio na czujnikach obrazu. Takie kamery „na krawędzi” nie tylko rejestrowałyby sceny, lecz natychmiast je interpretowały — rozpoznając cyfry, obiekty czy znaki drogowe — przy znacznie niższym zużyciu energii niż współczesne procesory cyfrowe.

Cytowanie: 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

Słowa kluczowe: obliczenia fotoniczne, optyczne sieci neuronowe, materiały magneto-optyczne, klasyfikacja obrazów, sprzęt neuromorficzny