Meta-imagens multicanal para acelerar a visão mecânica – Nature Nanotechnology

Simonyan, K. & Zisserman, A. Redes convolucionais muito profundas para reconhecimento de imagens em grande escala. Em 3ª Conferência Internacional sobre Representações de Aprendizagem 1–14 (ICLR, 2015).

Wang, G. et al. Segmentação interativa de imagens médicas usando aprendizagem profunda com ajuste fino específico de imagem. IEEE Trans. Med. Imagem 37, 1562 – 1573 (2018).

Artigo 

Google Scholar 

Furui, S., Deng, L., Gales, M., Ney, H. & Tokuda, K. Tecnologias fundamentais no reconhecimento de fala moderno. Processo de Sinal IEEE Mag. 29, 16 – 17 (2012).

Artigo 

Google Scholar 

Sak, H., Senior, A., Rao, K. & Beaufays, F. Modelos acústicos de redes neurais recorrentes rápidos e precisos para reconhecimento de fala. Em Processo. Conferência Anual da International Speech Communication Association, INTERSPEECH 1468–1472 (ISCA, 2015).

He, K., Zhang, X., Ren, S. & Sun, J. Aprendizagem residual profunda para reconhecimento de imagem. Em Processo. Conferência da IEEE Computer Society sobre Visão Computacional e Reconhecimento de Padrões 770-778 (IEEE, 2016).

Lecun, Y., Bengio, Y. & Hinton, G. Aprendizagem profunda. Natureza 521, 436 – 444 (2015).

Artigo 
CAS 

Google Scholar 

Mennel, L. et ai. Visão de máquina ultrarrápida com sensores de imagem de rede neural de material 2D. Natureza 579, 62 – 66 (2020).

Artigo 
CAS 

Google Scholar 

Liu, L. e outros. Sistemas computacionais para condução autônoma: estado da arte e desafios. Coisas da Internet IEEE J. 8, 6469 – 6486 (2021).

Artigo 

Google Scholar 

Shi, W. et al. LOEN: rede neural optoeletrônica sem lentes com visão de máquina habilitada. Light Sci. Aplic. 11, 121 (2022).

Artigo 
CAS 

Google Scholar 

Hamerly, R., Bernstein, L., Sludds, A., Soljačić, M. & Englund, D. Redes neurais ópticas em grande escala baseadas na multiplicação fotoelétrica. Física Rev. X 9, 021032 (2019).

CAS 

Google Scholar 

Wetzstein, G. et al. Inferência em inteligência artificial com óptica profunda e fotônica. Natureza 588, 39 – 47 (2020).

Artigo 
CAS 

Google Scholar 

Shastri, BJ et al. Fotônica para inteligência artificial e computação neuromórfica. Nat. Fóton. 15, 102 – 114 (2021).

Artigo 
CAS 

Google Scholar 

Xue, W. & Miller, O. D. Detecção óptica de borda de alta NA por meio de filmes multicamadas otimizados. J. Óptica 23, 125004 (2021).

Wang, T. et al. Uma rede neural óptica que usa menos de 1 fóton por multiplicação. Nat. Comum. 13, 123 (2022).

Artigo 
CAS 

Google Scholar 

Wang, T. et al. Detecção de imagens com redes neurais ópticas não lineares multicamadas. Nat. Fóton. 17, 8 – 17 (2023).

Artigo 

Google Scholar 

Badloe, T., Lee, S. & Rho, J. Computação na velocidade da luz: metamateriais para cálculos totalmente ópticos e redes neurais. Adv. Fóton. 4, 064002 (2022).

Vanderlugt, A. Processamento de sinal óptico (Wiley, 1993)

Chang, J., Sitzmann, V., Dun, X., Heidrich, W. & Wetzstein, G. Redes neurais convolucionais ópticas-eletrônicas híbridas com óptica difrativa otimizada para classificação de imagens. Sci. Rep. 8, 12324 (2018).

Artigo 

Google Scholar 

Colburn, S., Chu, Y., Shilzerman, E. & Majumdar, A. Frontend óptico para uma rede neural convolucional. Appl. Optar. 58, 3179 (2019).

Artigo 

Google Scholar 

Zhou, T. et al. Computação optoeletrônica neuromórfica em grande escala com uma unidade de processamento difrativo reconfigurável. Nat. Fóton. 15, 367 – 373 (2021).

Artigo 
CAS 

Google Scholar 

Chen, Y. H., Krishna, T., Emer, J. S. & Sze, V. Eyeriss: um acelerador reconfigurável com eficiência energética para redes neurais convolucionais profundas. Circuitos de estado sólido IEEE J. 52, 127 – 138 (2017).

Artigo 

Google Scholar 

Neshatpour, K., Homayoun, H. & Sasan, A. ICNN: a rede neural convolucional iterativa. Em Transações ACM em sistemas de computação embarcados 18, 119 (ACM, 2019).

Xu, X. et al. 11  Acelerador convolucional fotônico TOPS para redes neurais ópticas. Natureza 589, 44 – 51 (2021).

Artigo 
CAS 

Google Scholar 

Feldmann, J. et ai. Processamento convolucional paralelo usando um núcleo tensor fotônico integrado. Natureza 589, 52 – 58 (2021).

Artigo 
CAS 

Google Scholar 

Wu, C. et al. Metasuperfícies de mudança de fase programáveis ​​em guias de onda para rede neural convolucional fotônica multimodo. Nat. Comum. 12, 96 (2021).

Artigo 
CAS 

Google Scholar 

Zhang, H. et al. Um chip neural óptico para implementação de redes neurais de valores complexos. Nat. Comum. 12, 457 (2021).

Artigo 
CAS 

Google Scholar 

Ashtiani, F., Geers, A. J. & Aflatouni, F. Uma rede neural fotônica profunda no chip para classificação de imagens. Natureza 606, 501 – 506 (2022).

Artigo 
CAS 

Google Scholar 

Fu, T. et al. Aprendizado de máquina fotônico com óptica difrativa no chip. Nat. Comum. 14, 70 (2023).

Artigo 
CAS 

Google Scholar 

Lin, X. et al. Aprendizado de máquina totalmente óptico usando redes neurais profundas difrativas. Ciência 361, 1004 – 1008 (2018).

Artigo 
CAS 

Google Scholar 

Qian, C. et al. Execução de operações lógicas ópticas por uma rede neural difrativa. Light Sci. Aplic. 9, 59 (2020).

Artigo 
CAS 

Google Scholar 

Luo, X. et al. Redes neurais difrativas multiplexadas no chip habilitadas para metasurface no visível. Light Sci. Aplic. 11, 158 (2022).

Artigo 
CAS 

Google Scholar 

Kwon, H., Arbabi, E., Kamali, S. M., Faraji-Dana, M. S. & Faraon, A. Microscopia quantitativa de gradiente de fase de disparo único usando um sistema de metassuperfícies multifuncionais. Nat. Fóton. 14, 109 – 114 (2020).

Artigo 
CAS 

Google Scholar 

Xiong, B. et al. Quebrando a limitação da multiplexação de polarização em metassuperfícies ópticas com ruído projetado. Ciência 379, 294 – 299 (2023).

Artigo 
CAS 

Google Scholar 

Khorasaninejad, M. et al. Metalenses em comprimentos de onda visíveis: focagem limitada por difração e imagem com resolução de subcomprimento de onda. Ciência 352, 1190 – 1194 (2016).

Artigo 
CAS 

Google Scholar 

Kim, J. et al. Fabricação escalável de metassuperfícies híbridas camada atômica-polímero de alto índice para metafotônica no visível. Nat. Mate. 22, 474 – 481 (2023).

Artigo 
CAS 

Google Scholar 

Levanon, N. et al. Resposta de transmissão angular de metassuperfícies totalmente dielétricas quase-BIC que quebram a simetria no plano. Fotônica ACS 9, 3642 – 3648 (2022).

Artigo 
CAS 

Google Scholar 

Nolen, J. R., Overvig, A. C., Cotrufo, M. & Alù, A. Emissão arbitrariamente polarizada e unidirecional de metassuperfícies térmicas. Pré-imprimir em https://arxiv.org/abs/2301.12301 (2023).

Guo, C., Xiao, M., Minkov, M., Shi, Y. & Fan, S. Operador Laplace de placa de cristal fotônico para diferenciação de imagem. Optica 5, 251 – 256 (2018).

Artigo 

Google Scholar 

Cordaro, A. et al. Metasuperfícies dielétricas de alto índice realizando operações matemáticas. Nano Lett. 19, 8418 – 8423 (2019).

Artigo 
CAS 

Google Scholar 

Zhou, Y., Zheng, H., Kravchenko, I. I. & Valentine, J. Óptica plana para diferenciação de imagens. Nat. Fóton. 14, 316 – 323 (2020).

Artigo 
CAS 

Google Scholar 

Fu, W. et al. Meta-imagers ultracompactas para convolução totalmente óptica arbitrária. Light Sci. Aplic. 11, 62 (2022).

Artigo 
CAS 

Google Scholar 

Wang, H., Guo, C., Zhao, Z. & Fan, S. Diferenciação de imagem incoerente compacta com estruturas nanofotônicas. Fotônica ACS 7, 338 – 343 (2020).

Artigo 
CAS 

Google Scholar 

Zhang, X., Bai, B., Sun, H. B., Jin, G. & Valentine, J. Diferenciação optoeletrônica incoerente baseada em filmes multicamadas otimizados. Laser Fóton Rev. 16, 2200038 (2022).

Artigo 

Google Scholar 

Zheng, H. et al. Aceleradores meta-ópticos para classificadores de objetos. Sci. Av. 8, eabo6410 (2022).

Artigo 

Google Scholar 

Bernstein, L. et al. Rede neural óptica de disparo único. Sci. Av. 9, eadg7904 (2023).

Artigo 
CAS 

Google Scholar 

Shen, Z. et al. Câmera monocular de metassuperfície para imagens 4D passivas de disparo único. Nat. Comum. 14, 1035 (2023).

Artigo 
CAS 

Google Scholar 

LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. Aprendizagem baseada em gradientes aplicada ao reconhecimento de documentos. Processo. IEEE 86, 2278 – 2323 (1998).

Artigo 

Google Scholar 

Zheng, H. et al. Meta-óptica composta para controle de campo completo e sem perdas. ACS Nano 16, 15100 – 15107 (2022).

Artigo 
CAS 

Google Scholar 

Liu, S. et al. Mais ConvNets na década de 2020: ampliando kernels além de 51×51 usando esparsidade. Em 11ª Conferência Internacional sobre Representações de Aprendizagem 1–23 (ICLR, 2023).

Barron, J. T. Uma função de perda robusta geral e adaptativa. Em Processo. Conferência da IEEE Computer Society sobre Visão Computacional e Reconhecimento de Padrões 4326-4334 (IEEE, 2019).

Dosovitskiy, A. et al. Uma imagem vale 16×16 palavras: transformadores para reconhecimento de imagens em escala. Em 9ª Conferência Internacional sobre Representações de Aprendizagem 1–22 (ICLR, 2021).

Stillmaker, A. & Baas, B. Equações de escala para a previsão precisa do desempenho do dispositivo CMOS de 180 nm a 7 nm. Moderna 58, 74 – 81 (2017).

Artigo 

Google Scholar 

McClung, A., Samudrala, S., Torfeh, M., Mansouree, M. & Arbabi, A. Instantâneo de imagem espectral com metassistemas paralelos. Sci. Av. 6, eabc7646 (2020).

Artigo 
CAS 

Google Scholar 

Ding, X., Zhang, X., Han, J. & Ding, G. Aumentando seus kernels para 31 × 31: revisitando o design de kernel grande em CNNs. Em Processo. Conferência da IEEE Computer Society sobre Visão Computacional e Reconhecimento de Padrões 11953-11965 (IEEE, 2022).

Ding, X. et al. RepVgg: tornando os ConvNets estilo VGG excelentes novamente. Em Processo. Conferência da IEEE Computer Society sobre Visão Computacional e Reconhecimento de Padrões 13728-13737 (IEEE, 2021).

Li, L. et al. Imageador e reconhecedor inteligente de metassuperfícies. Light Sci. Aplic. 8, 97 (2019).

Artigo 

Google Scholar 

Zhao, R. et al. Exibição holográfica vetorial multicanal e criptografia. Light Sci. Aplic. 7, 95 (2018).

Artigo 
CAS 

Google Scholar 

Kim, I. et al. Impressões holográficas vetoriais dinâmicas pixeladas bifuncionais acionadas por metasuperfície para plataforma de segurança fotônica. Nat. Comum. 12, 3614 (2021).

Artigo 
CAS 

Google Scholar 

Li, L. et al. Fonte quântica multifotônica e de alta dimensão baseada em array de Metalens. Ciência 368, 1487 – 1490 (2020).

Artigo 
CAS 

Google Scholar 

Hugonin, A. J. P. & Lalanne, P. RETICOLO software para análise de grades. Pré-imprimir em https://arxiv.org/abs/2101.00901 (2023).