Omkonfigurerbart magneto-optiskt diffraktivt neuralt nätverk med förbättrad optisk fasmodulation

Smarta kameror som tänker med ljus

Dagens smartaste telefoner och bilar förlitar sig på energikrävande kretsar för att känna igen ansikten, läsa vägskyltar eller upptäcka fotgängare. Denna studie undersöker ett radikalt annorlunda angreppssätt: i stället för att utföra beräkningarna i elektroniska kretsar låter man ljuset självt göra uträkningarna medan det färdas genom en tunn magnetisk film. Resultatet är en liten, omprogrammerbar optisk ”hjärna” som snabbt kan klassificera bilder med mycket låg energiförbrukning — en riktning mot framtida kameror som förstår världen i samma ögonblick som ljuset når sensorn.

Låt ljuset göra beräkningarna

Konventionella neurala nätverk som driver många AI-tillämpningar körs på kiselchip som för elektroner fram och tillbaka. Det kostar energi och tar tid. Diffraktiva neurala nätverk använder i stället särskilt mönstrade genomskinliga lager så att infallande ljus böjs, interfererar och sprids på ett sätt som utför samma typ av beräkningar. Varje liten punkt på ett sådant lager fungerar som en neuron och skjuter till ljusets fas — hur vågorna ligger i fas — så att olika ingångsbilder ger upphov till olika ljusstyrkemönster i utgången.

Lägger till magnetism för flexibilitet

Nackdelen med tidigare optiska lösningar är att deras mönster till största delen sitter fast när de väl tillverkats. För att byta uppgift — från att läsa skrivna siffror till att hitta skor eller skjortor — behöver man ofta en ny enhet. Forskargruppen bakom detta arbete bygger istället det centrala lagret av en magneto-optisk film, ett särskilt glasliknande material där små magnetiska domäner vrider polarisationen hos det passerande ljuset. Dessa domäner kan skrivas, raderas och skrivas om med en laser och ett magnetfält, ungefär som att spela in bitar på en gammal magneto-optisk skiva. Det gör det optiska neurala nätverket omkonfigurerbart: samma filmstycke kan ändras på plats för nya igenkänningstuppgifter.

Gör en svag effekt till en stark signal

I sig är vridningen som den magnetiska filmen ger ljuset ganska liten — långt mindre än vad flytande kristallskärmar kan åstadkomma — så det kan verka för svagt för att bygga en kraftfull dator. Författarna övervinner detta genom att utnyttja en subtil diffraktionseffekt. När polariserat ljus träffar de mönstrade magnetiska domänerna får olika delar av det utgående ljuset polarisationer som skiljer sig med 90 grader. Genom att placera en polarisator efter filmen undertrycks de delar av strålen som knappt förändrats och behålls mestadels den kraftigt vridna komponenten. Denna intelligenta filtrering förstärker den användbara signalen avsevärt utan att materialet självt behöver stora fasförskjutningar.

Från siffror till modeartiklar

För att testa sin design tränade forskarna ett enda magneto-optiskt lager, tillsammans med polarisatorn, att känna igen bilder från standardiserade testuppsättningar. I datorbaserade simuleringar klassificerade systemet handskrivna siffror korrekt ungefär 98 procent av fallen — likvärdigt med mer komplexa optiska nätverk som förlitar sig på starkare fasstyrning. Det hanterade också en svårare uppsättning klädbilder med nästan 89 procents noggrannhet när tillräckligt många små magnetiska ”neuroner” användes. Teamet byggde därefter en fysisk version med en granatfilm innehållande bismut och gallium, en grön laser och en kamera. Även med praktiska imperfektioner nådde den fysiska enheten över 83 procents noggrannhet för siffror och 71 procent för modeartiklar, och den kunde växla mellan dessa uppgifter genom att helt enkelt skriva om det magnetiska mönstret.

Mot kameror som uppfattar och beslutar på chippet

I vardagliga termer visar detta arbete att en tunn, omskrivbar magnetisk film kan fungera som det tänkande lagret i ett optiskt AI-system, trots att den bara lätt vrider ljuset som passerar igenom. Genom att smart kombinera diffraktion och polarisering pressar författarna fram kraftfull mönsterigenkänning ur måttliga materialegenskaper. Eftersom enheten är kompakt, inte kräver ström för att hålla sitt magnetiska tillstånd och fungerar vid synliga våglängder, skulle den en dag kunna byggas direkt ovanpå bildsensorn. Sådana ”edge”-kameror skulle inte bara fånga scener utan omedelbart tolka dem — känna igen siffror, objekt eller trafikskyltar — samtidigt som de använder avsevärt mindre energi än dagens digitala processorer.

Citering: 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

Nyckelord: fotontisk beräkning, optiska neurala nätverk, magneto-optiska material, bildklassificering, neuromorfa hårdvaror