用于超分辨率到达方向估计的衍射型元神经网络的元训练

《Laser & Photonics Reviews》：Meta-Training of Diffractive Meta-Neural Networks for Super-Resolution Direction of Arrival Estimation

衍射神经网络通过高维电磁场实现高效计算，但现有架构在整合多维超表面和优化训练方面存在局限，且未有效利用多维电磁场编码提升超分辨率传感能力。本文提出衍射元神经网（DMNN），通过预训练微型元神经网络表征超原子在极化与频域的光调制特性，结合元训练设计结构参数。DMNN采用x/y极化分离方位角/仰角，通过频率复用生成谱编码超振荡角响应，实现广域超分辨率估计，后处理轻量级全连接网络进一步优化性能。实验表明，三层DMNN在27/29/31GHz频段下角分辨率达0.5度（瑞利极限），平均绝对误差0.048度，角估计能力达1917，较现有方法提升一个数量级。

　　

摘要

衍射神经网络利用电磁（EM）场的高维特性进行高通量计算。然而，现有架构在将大规模多维超表面集成到精确的网络训练中存在挑战，并且尚未利用多维EM场编码方案进行超分辨率感知。本文提出了衍射超神经网络（DMNN），通过超表面实现精确的EM场调制，从而支持多任务学习和高通量超分辨率方向估计的多维复用与编码。DMNN整合了预训练的微型超网络（mini-metanets），以表征不同偏振和频率下的超原子光学调制，其结构参数通过元训练（meta-training）进行设计。DMNN能够同时利用x轴和y轴偏振解析方位角和高度角，而频率复用的角度间隔的交错生成了光谱编码的超振荡角度响应，从而实现宽场超分辨率估计。后续处理的轻量级全连接神经网络进一步提升了性能。实验结果表明，一个三层DMNN在27、29和31 GHz频率下可达到0.5°的角度分辨率，即接近瑞利衍射极限；对于非相干目标，平均绝对误差为0.048米，角度估计能力达到1917°，比现有方法高出一个数量级。我们的工作通过利用固有的高并行性和全光编码方法，推动了下一代感知应用中的超分辨率光子计算系统的发展。

利益冲突

作者声明没有利益冲突。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本出版物中的数据可在Github上获取，链接如下：https://github.com/THPCILab/DMNN。当前研究中使用的代码可向相应作者提出合理请求后获得。