Перенастраиваемая магнито-оптическая дифракционная нейронная сеть с усиленной оптической фазовой модуляцией

Умные камеры, которые думают светом

Самые продвинутые сегодня смартфоны и автомобили опираются на энергоёмкие микросхемы для распознавания лиц, чтения уличных знаков или обнаружения пешеходов. В этой работе рассматривается принципиально иной подход: вместо того чтобы выполнять вычисления в электронных схемах, позволить свету самим вычислять по мере прохождения через тонкую магнитную плёнку. В результате получается крошечный перенастраиваемый оптический «мозг», который быстро классифицирует изображения при очень низком энергопотреблении, открывая путь к камерам будущего, понимающим сцену в тот момент, когда свет попадает на сенсор.

Пусть свет вычисляет

Обычные нейронные сети, которые лежат в основе многих ИИ‑приложений, работают на кремниевых чипах, по которым перемещаются электроны. Это требует энергии и времени. В отличие от них, дифракционные нейронные сети используют специально спроектированные прозрачные слои, так что падающий свет преломляется, интерферирует и рассеивается таким образом, что выполняет те же самые вычисления. Каждая маленькая точка на таком слое действует как нейрон, смещая фазу света — то есть то, как соотносятся волны — так, что разные входные изображения приводят к различным картинам яркости на выходе.

Добавление магнетизма для гибкости

Проблема ранних оптических решений в том, что после изготовления их структуры в основном фиксированы. Чтобы сменить задачу — например, от распознавания рукописных цифр к поиску обуви или рубашек — часто требовалось новое устройство. Команда авторов вместо этого создала ключевой слой из магнито-оптической плёнки, особого стекловидного материала, чьи крошечные магнитные домены поворачивают поляризацию проходящего света. Эти домены можно записывать, стирать и перезаписывать с помощью лазера и магнитного поля, подобно записи битов на старой магнито‑оптической дискете. Это делает оптическую нейронную сеть перенастраиваемой: тот же кусочек плёнки можно переконфигурировать на месте для новых задач распознавания.

Преобразование слабого эффекта в сильный сигнал

Сама по себе поворот поляризации в магнитной плёнке довольно мал — значительно слабее, чем у жидкокристаллических дисплеев — поэтому может показаться, что этого недостаточно для построения мощного вычислителя. Авторы обходят это ограничение, используя тонкий дифракционный эффект. Когда поляризованный свет падает на зашумованные магнитные домены, разные части выходного света приобретают направления поляризации, отличающиеся на прямой угол. Разместив поляризатор после плёнки, система подавляет те части пучка, которые почти не изменились, и сохраняет в основном сильно повернутую компоненту. Это хитрое фильтрование значительно усиливает полезный сигнал без необходимости больших фазовых сдвигов в самом материале.

От цифр до предметов моды

Чтобы проверить свою идею, исследователи обучили один магнито‑оптический слой вместе с поляризатором распознавать изображения из стандартных тестовых наборов. В численных симуляциях система правильно классифицировала рукописные цифры примерно в 98 процентов случаев — сопоставимо с более сложными оптическими сетями, требующими сильного фазового управления. Она также справилась с более трудным набором изображений одежды с почти 89‑процентной точностью при использовании достаточного числа маленьких магнитных «нейронов». Затем команда собрала экспериментальную версию с использованием гранатовой плёнки, содержащей висмут и галлий, зелёного лазера и камеры. Даже с практическими погрешностями физическое устройство достигло более 83‑процентной точности для цифр и 71‑процентной для предметов одежды, и переключалось между этими задачами просто путём перезаписи магнитного паттерна.

К камерам, которые видят и принимают решения на матрице

В повседневных терминах эта работа показывает, что тонкая перезаписываемая магнитная плёнка может служить мыслящим слоем оптической ИИ‑системы, несмотря на то, что она лишь слегка поворачивает проходящий свет. За счёт разумной организации дифракции и поляризации авторы извлекают мощные способности к распознаванию шаблонов из скромных свойств материала. Поскольку устройство компактно, не требует питания для удержания магнитного состояния и работает в видимом диапазоне, его однажды можно будет интегрировать непосредственно поверх сенсоров изображения. Такие «edge»‑камеры не просто будут снимать сцену, но и мгновенно её интерпретировать — распознавая цифры, объекты или дорожные знаки — при значительно меньшем энергопотреблении по сравнению с современными цифровыми процессорами.

Цитирование: 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

Ключевые слова: фотонные вычисления, оптические нейронные сети, магнито-оптические материалы, классификация изображений, нейроморфное аппаратное обеспечение