CN110133782A - 一种可见光波段光学神经网络元件 - Google Patents
一种可见光波段光学神经网络元件 Download PDFInfo
- Publication number
- CN110133782A CN110133782A CN201910469724.3A CN201910469724A CN110133782A CN 110133782 A CN110133782 A CN 110133782A CN 201910469724 A CN201910469724 A CN 201910469724A CN 110133782 A CN110133782 A CN 110133782A
- Authority
- CN
- China
- Prior art keywords
- phase
- parameter vector
- arg
- component
- minor structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B5/00—Optical elements other than lenses
- G02B5/18—Diffraction gratings
- G02B5/1866—Transmission gratings characterised by their structure, e.g. step profile, contours of substrate or grooves, pitch variations, materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B5/00—Optical elements other than lenses
- G02B5/18—Diffraction gratings
- G02B2005/1804—Transmission gratings
Abstract
本发明一种可见光波段光学神经网络元件属于光学元件、图像识别技术领域;该光学神经网络元件包含多个沿光轴方向依次等间距排列的子元件,子元件向垂直于光轴的平面的投影图形为正方形,所有子元件向垂直于光轴的平面的投影图形重合;每个子元件包含一个衬底结构和由衬底结构支撑的多个子结构,所述子结构在衬底表面成矩阵排列,在矩阵的行方向和列方向上,相邻两个子结构在衬底上坐标的距离为定值,所述子结构的尺寸相同,转角不同,子元件中子结构转角和相位之间具有某种确定关系;本发明可见光波段光学神经网络元件不仅衍射效率不受理论限制,而且因为加工工艺的进步,其能够工作在可见光波段;本发明还提供了一种计算子结构尺寸的方法。
Description
技术领域
本发明一种可见光波段光学神经网络元件属于光学元件、图像识别技术领域。
背景技术
近年来,基于光学神经网络的图像识别逐渐发展起来,它是光学工具和神经网络的结合,其原理为用光的传播过程模拟神经元的工作过程,用光场强度表达数据信息,相比于基于电子元件的深度学习神经网络,具有速度快、耗能低和结果易解释的优势。
文章《All-optical machine learning using diffractive deep neuralnetworks》涉及了一种用于THz波段的光学神经网络,其光学神经网络元件是通过3D打印方法加工出来的一类衍射元件,其特点是具有不同高度的台阶结构,同时每一个高度对应的相位为0-2π范围内的一个特定值。该方法加工的光学神经网络元件存在如下问题:
第一、由于高度为离散值,故这种衍射光学元件的衍射效率受到理论限制,忽略光在材料中的损耗,两台阶衍射光学元件的最高衍射效率不超过40.5%,四台阶衍射光学元件的最高衍射效率不超过81%。
第二,在图像识别等应用中,元件需要工作于可见光波段。然而工作波长越小,元件的特征线宽也需要越小,工作于可见光波段的光学神经网络元件特征线宽一般为几十纳米至百纳米,采用3D打印方法无法加工。
可见,设计并加工可见光波段的高衍射效率光学神经网络元件是一个亟待解决的问题。
发明内容
针对3D打印方法加工的衍射元件衍射效率低且无法工作于可见光波段的问题,本发明提供了一种光学神经网络元件,该元件中采用了尺寸相同,转角不同的子结构来代替衍射元件中不同高度的台阶结构,并采用单次投影曝光、原子层沉积、刻蚀工艺和切片分割的微纳加工方法,不仅能够提高衍射效率,而且能够工作于可见光波段。
本发明的目的是这样实现的:
一种可见光波段光学神经网络元件,通过单次投影曝光、原子层沉积、刻蚀工艺和切片分割而成,包含多个沿光轴方向依次等间距排列的子元件,所述子元件向垂直于光轴的平面的投影图形为正方形,所有子元件向垂直于光轴的平面的投影图形重合;每个子元件包含一个衬底和由衬底支撑的多个子结构,所述子结构在衬底表面成矩阵排列,在矩阵的行方向和列方向上,相邻两个子结构在衬底上坐标的距离为定值,所述子结构的尺寸相同,转角不同,在第i个子元件上,子结构在绕衬底坐标(x,y)法线的转角θ和子结构在衬底坐标(x,y)处对应的相位φi(x,y)之间满足如下关系:
其中,m为任意整数,φθ=0为θ=0时子结构在衬底坐标(x,y)处对应的相位。
上述一种可见光波段光学神经网络元件,有如下定义:
定义入射光波长为λd,每一个子结构的尺寸(L,W,H)和相邻两子结构在衬底上坐标的距离P组成待求的参数向量(L,W,H,P);
其中,L为子结构的长,W为子结构的宽,H为子结构的高;
计算子结构参数向量(L,W,H,P)的方法,包括以下步骤:
步骤a、对(L,W,H,P)每一个参数赋值,其中各个参数的范围满足以下条件:0<H≤2λd和100nm<P<λd,且各个参数赋值为5的整数倍,得到NL×NW×NH×NP个参数向量,其中NL、NW、NH和NP分别为四个参数的赋值数量;
步骤b、利用FDTD算法,建模计算出射光的透过率和相位,设定入射光为左旋圆偏振光其中,Ein_x和Ein_y分别为入射光的x分量和y分量),结构参数为(Ln,Wn,Hn,Pn),n为1至NL×NW×NH×NP的整数,得到出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),其中,Eout_n_x和Eout_n_y分别为出射光的x分量和y分量;
步骤c、根据步骤b中出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),剔除出射光不满足要求时所对应的参数向量,定义相位误差δp_n为:
判断是否出射光的透过率Tm大于透过率阈值且相位误差δp_n小于相位阈值,如果
是,则该结果对应的参数向量(Ln,Wn,Hn,Pn)保留;
否,则该结果对应的参数向量(Ln,Wn,Hn,Pn)剔除;
步骤d、在步骤c保留的参数向量(Ln,Wn,Hn,Pn)中,若存在(Ln,Wn,Pn)相同且Hn不同的参数向量(Ln,Wn,Hn,Pn),则只保留Hn最小的参数向量,剔除其他参数向量;
步骤e、在步骤d保留的参数向量(Ln,Wn,Hn,Pn)中,利用FDTD算法,建模计算结构转角θ=[0°,180°)的透射光场相位,设定入射光为左旋圆偏振光 波长为λd,结构参数为(Ln,Wn,Hn,Pn),得到出射光的xy两分量的相位为arg(Eout_n_x)与arg(Eout_n_y),定义角度误差值为:
保留δθ_n中的最小值,其对应的结构参数(Ln,Wn,Hn,Pn)为待求结构参数。
以上一种可见光波段光学神经网络元件,所述子结构的材料为二氧化钛或氮化镓,所述衬底的材料为二氧化硅。
一种计算可见光波段光学神经网络元件中子结构参数向量的方法,包括以下步骤:
步骤a、对(L,W,H,P)每一个参数赋值,其中各个参数的范围满足以下条件:0<H≤2λd和100nm<P<λd,且各个参数赋值为5的整数倍,得到NL×NW×NH×NP个参数向量,其中NL、NW、NH和NP分别为四个参数的赋值数量;
步骤b、利用FDTD算法,建模计算出射光的透过率和相位,设定入射光为左旋圆偏振光其中,Ein_x和Ein_y分别为入射光的x分量和y分量),结构参数为(Ln,Wn,Hn,Pn),n为1至NL×NW×NH×NP的整数,得到出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),其中,Eout_n_x和Eout_n_y分别为出射光的x分量和y分量;
步骤c、根据步骤b中出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),剔除出射光不满足要求时所对应的参数向量,定义相位误差δp_n为:
判断是否出射光的透过率Tm大于透过率阈值且相位误差δp_n小于相位阈值,如果
是,则该结果对应的参数向量(Ln,Wn,Hn,Pn)保留;
否,则该结果对应的参数向量(Ln,Wn,Hn,Pn)剔除;
步骤d、在步骤c保留的参数向量(Ln,Wn,Hn,Pn)中,若存在(Ln,Wn,Pn)相同且Hn不同的参数向量(Ln,Wn,Hn,Pn),则只保留Hn最小的参数向量,剔除其他参数向量;
步骤e、在步骤d保留的参数向量(Ln,Wn,Hn,Pn)中,利用FDTD算法,建模计算结构转角θ=[0°,180°)的透射光场相位,设定入射光为左旋圆偏振光 波长为λd,结构参数为(Ln,Wn,Hn,Pn),得到出射光的xy两分量的相位为arg(Eout_n_x)与arg(Eout_n_y),定义角度误差值为:
保留δθ_n中的最小值,其对应的结构参数(Ln,Wn,Hn,Pn)为待求结构参数。
有益效果:
第一、本发明公开了一种光学神经网络元件,该光学神经网络元件包含多个子元件,每个子元件包含一个衬底和由衬底支撑的多个子结构,子结构的尺寸相同,转角不同,即利用尺寸相同转角不同的子结构来代替衍射元件中具有不同高度的台阶结构;在这种结构中,第i个子元件上的子结构转角θ和子结构在衬底坐标(x,y)处对应的相位φi(x,y)之间满足如下关系:由于转角能够随相位连续变化,因此忽略光在材料中的损耗,该光学神经网络元件的衍射效率不受理论限制;同时,由于采用单次投影曝光、原子层沉积、刻蚀工艺和切片分割的微纳加工方法,可以实现几十纳米至百纳米的特征线宽,使得该光学神经网络元件能够工作于可见光波段。
第二、在本发明中,提供了一种计算光学神经网络元件子结构尺寸的方法,实现了如何优化筛选子结构的各个尺寸参数,使得本发明不仅仅停留在设想阶段,而是切实提供了一种计算子结构尺寸的方法,确保本领域技术人员能够实现。
说明书附图
图1是本发明一种光学神经网络元件的结构示意图。
图2是本发明一种光学神经网络元件的子结构示意图。
图中:1子元件、2衬底、3子结构。
具体实施例
下面结合附图对本发明具体实施例作进一步详细描述:
具体实施例一
本实施例是一种可见光波段光学神经网络元件的实施例。
本实施例的一种可见光波段光学神经网络元件,结构示意图如图1所示。该可见光波段光学神经网络元件通过单次投影曝光、原子层沉积、刻蚀工艺和切片分割而成,包含多个沿光轴方向依次等间距排列的子元件1,所述子元件1向垂直于光轴的平面的投影图形为正方形,所有子元件1向垂直于光轴的平面的投影图形重合;每个子元件1包含一个衬底2和由衬底2支撑的多个子结构3,如图2所示,所述子结构3在衬底2表面成矩阵排列,在矩阵的行方向和列方向上,相邻两个子结构3在衬底2上坐标的距离为定值,所述子结构3的尺寸相同,转角不同,在第i个子元件1上,子结构3在绕衬底2坐标(x,y)法线的转角θ和子结构3在衬底2坐标(x,y)处对应的相位φi(x,y)之间满足如下关系:
其中,m为任意整数,φθ=0为θ=0时子结构3在衬底2坐标(x,y)处对应的相位。
具体实施例二
本实施例是一种可见光波段光学神经网络元件的实施例。
本实施例的一种可见光波段光学神经网络元件,在具体实施例一的基础上,进一步定义:
定义入射光波长为λd,每一个子结构3的尺寸(L,W,H)和相邻两子结构3在衬底2上坐标的距离P组成待求的参数向量(L,W,H,P);
其中,L为子结构3的长,W为子结构3的宽,H为子结构3的高;
计算子结构3参数向量(L,W,H,P)的方法,包括以下步骤:
步骤a、对(L,W,H,P)每一个参数赋值,其中各个参数的范围满足以下条件:0<H≤2λd和100nm<P<λd,且各个参数赋值为5的整数倍,得到NL×NW×NH×NP个参数向量,其中NL、NW、NH和NP分别为四个参数的赋值数量;
步骤b、利用FDTD算法,建模计算出射光的透过率和相位,设定入射光为左旋圆偏振光其中,Ein_x和Ein_y分别为入射光的x分量和y分量),结构参数为(Ln,Wn,Hn,Pn),n为1至NL×NW×NH×NP的整数,得到出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),其中,Eout_n_x和Eout_n_y分别为出射光的x分量和y分量;
步骤c、根据步骤b中出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),剔除出射光不满足要求时所对应的参数向量,定义相位误差δp_n为:
判断是否出射光的透过率Tm大于透过率阈值且相位误差δp_n小于相位阈值,如果
是,则该结果对应的参数向量(Ln,Wn,Hn,Pn)保留;
否,则该结果对应的参数向量(Ln,Wn,Hn,Pn)剔除;
步骤d、在步骤c保留的参数向量(Ln,Wn,Hn,Pn)中,若存在(Ln,Wn,Pn)相同且Hn不同的参数向量(Ln,Wn,Hn,Pn),则只保留Hn最小的参数向量,剔除其他参数向量;
步骤e、在步骤d保留的参数向量(Ln,Wn,Hn,Pn)中,利用FDTD算法,建模计算结构转角θ=[0°,180°)的透射光场相位,设定入射光为左旋圆偏振光 波长为λd,结构参数为(Ln,Wn,Hn,Pn),得到出射光的xy两分量的相位为arg(Eout_n_x)与arg(Eout_n_y),定义角度误差值为:
保留δθ_n中的最小值,其对应的结构参数(Ln,Wn,Hn,Pn)为待求结构参数。
具体实施例三
本实施例是一种光学神经网络元件的实施例。
本实施例是一种可见光波段光学神经网络元件的实施例。
本实施例的一种可见光波段光学神经网络元件,在具体实施例一或具体实施例二基础上,进一步限定所述子结构3的材料为二氧化钛或氮化镓,所述衬底2的材料为二氧化硅。
具体实施例四
本实施例是一种计算可见光波段光学神经网络元件中子结构参数向量的方法实施例。
本实施例的计算可见光波段光学神经网络元件中子结构参数向量的方法,包括以下步骤:
步骤a、对(L,W,H,P)每一个参数赋值,其中各个参数的范围满足以下条件:0<H≤2λd和100nm<P<λd,且各个参数赋值为5的整数倍,得到NL×NW×NH×NP个参数向量,其中NL、NW、NH和NP分别为四个参数的赋值数量;
步骤b、利用FDTD算法,建模计算出射光的透过率和相位,设定入射光为左旋圆偏振光其中,Ein_x和Ein_y分别为入射光的x分量和y分量),结构参数为(Ln,Wn,Hn,Pn),n为1至NL×NW×NH×NP的整数,得到出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),其中,Eout_n_x和Eout_n_y分别为出射光的x分量和y分量;
步骤c、根据步骤b中出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),剔除出射光不满足要求时所对应的参数向量,定义相位误差δp_n为:
判断是否出射光的透过率Tm大于透过率阈值且相位误差δp_n小于相位阈值,如果
是,则该结果对应的参数向量(Ln,Wn,Hn,Pn)保留;
否,则该结果对应的参数向量(Ln,Wn,Hn,Pn)剔除;
步骤d、在步骤c保留的参数向量(Ln,Wn,Hn,Pn)中,若存在(Ln,Wn,Pn)相同且Hn不同的参数向量(Ln,Wn,Hn,Pn),则只保留Hn最小的参数向量,剔除其他参数向量;
步骤e、在步骤d保留的参数向量(Ln,Wn,Hn,Pn)中,利用FDTD算法,建模计算结构转角θ=[0°,180°)的透射光场相位,设定入射光为左旋圆偏振光 波长为λd,结构参数为(Ln,Wn,Hn,Pn),得到出射光的xy两分量的相位为arg(Eout_n_x)与arg(Eout_n_y),定义角度误差值为:
保留δθ_n中的最小值,其对应的结构参数(Ln,Wn,Hn,Pn)为待求结构参数。
Claims (4)
1.一种可见光波段光学神经网络元件,通过单次投影曝光、原子层沉积、刻蚀工艺和切片分割而成,其特征在于,包含多个沿光轴方向依次等间距排列的子元件(1),所述子元件(1)向垂直于光轴的平面的投影图形为正方形,所有子元件(1)向垂直于光轴的平面的投影图形重合;每个子元件(1)包含一个衬底(2)和由衬底(2)支撑的多个子结构(3),所述子结构(3)在衬底(2)表面成矩阵排列,在矩阵的行方向和列方向上,相邻两个子结构(3)在衬底(2)上坐标的距离为定值,所述子结构(3)的尺寸相同,转角不同,在第i个子元件(1)上,子结构(3)在绕衬底(2)坐标(x,y)法线的转角θ和子结构(3)在衬底(2)坐标(x,y)处对应的相位φi(x,y)之间满足如下关系:
其中,m为任意整数,φθ=0为θ=0时子结构(3)在衬底(2)坐标(x,y)处对应的相位。
2.根据权利要求1所述的一种可见光波段光学神经网络元件,有如下定义:
定义入射光波长为λd,每一个子结构(3)的尺寸(L,W,H)和相邻两子结构(3)在衬底(2)上坐标的距离P组成待求的参数向量(L,W,H,P);
其中,L为子结构(3)的长,W为子结构(3)的宽,H为子结构(3)的高;
其特征在于,计算子结构(3)参数向量(L,W,H,P)的方法,包括以下步骤:
步骤a、对(L,W,H,P)每一个参数赋值,其中各个参数的范围满足以下条件:0<H≤2λd和100nm<P<λd,且各个参数赋值为5的整数倍,得到NL×NW×NH×NP个参数向量,其中NL、NW、NH和NP分别为四个参数的赋值数量;
步骤b、利用FDTD算法,建模计算出射光的透过率和相位,设定入射光为左旋圆偏振光(abs(Ein_x)=abs(Ein_y)、其中,Ein_x和Ein_y分别为入射光的x分量和y分量),结构参数为(Ln,Wn,Hn,Pn),n为1至NL×NW×NH×NP的整数,得到出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),其中,Eout_n_x和Eout_n_y分别为出射光的x分量和y分量;
步骤c、根据步骤b中出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),剔除出射光不满足要求时所对应的参数向量,定义相位误差δp_n为:
判断是否出射光的透过率Tm大于透过率阈值且相位误差δp_n小于相位阈值,如果
是,则该结果对应的参数向量(Ln,Wn,Hn,Pn)保留;
否,则该结果对应的参数向量(Ln,Wn,Hn,Pn)剔除;
步骤d、在步骤c保留的参数向量(Ln,Wn,Hn,Pn)中,若存在(Ln,Wn,Pn)相同且Hn不同的参数向量(Ln,Wn,Hn,Pn),则只保留Hn最小的参数向量,剔除其他参数向量;
步骤e、在步骤d保留的参数向量(Ln,Wn,Hn,Pn)中,利用FDTD算法,建模计算结构转角θ=[0°,180°)的透射光场相位,设定入射光为左旋圆偏振光(abs(Ein_x)=abs(Ein_y)、波长为λd,结构参数为(Ln,Wn,Hn,Pn),得到出射光的xy两分量的相位为arg(Eout_n_x)与arg(Eout_n_y),定义角度误差值为:
保留δθ_n中的最小值,其对应的结构参数(Ln,Wn,Hn,Pn)为待求结构参数。
3.根据权利要求1或2所述的一种可见光波段光学神经网络元件,其特征在于,所述子结构(3)的材料为二氧化钛或氮化镓,所述衬底(2)的材料为二氧化硅。
4.一种计算可见光波段光学神经网络元件中子结构(3)参数向量的方法,其特征在于,包括以下步骤:
步骤a、对(L,W,H,P)每一个参数赋值,其中各个参数的范围满足以下条件:0<H≤2λd和100nm<P<λd,且各个参数赋值为5的整数倍,得到NL×NW×NH×NP个参数向量,其中NL、NW、NH和NP分别为四个参数的赋值数量;
步骤b、利用FDTD算法,建模计算出射光的透过率和相位,设定入射光为左旋圆偏振光(abs(Ein_x)=abs(Ein_y)、其中,Ein_x和Ein_y分别为入射光的x分量和y分量),结构参数为(Ln,Wn,Hn,Pn),n为1至NL×NW×NH×NP的整数,得到出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),其中,Eout_n_x和Eout_n_y分别为出射光的x分量和y分量;
步骤c、根据步骤b中出射光的透过率Tn和xy两分量的相位arg(Eout_n_x)与arg(Eout_n_y),剔除出射光不满足要求时所对应的参数向量,定义相位误差δp_n为:
判断是否出射光的透过率Tm大于透过率阈值且相位误差δp_n小于相位阈值,如果
是,则该结果对应的参数向量(Ln,Wn,Hn,Pn)保留;
否,则该结果对应的参数向量(Ln,Wn,Hn,Pn)剔除;
步骤d、在步骤c保留的参数向量(Ln,Wn,Hn,Pn)中,若存在(Ln,Wn,Pn)相同且Hn不同的参数向量(Ln,Wn,Hn,Pn),则只保留Hn最小的参数向量,剔除其他参数向量;
步骤e、在步骤d保留的参数向量(Ln,Wn,Hn,Pn)中,利用FDTD算法,建模计算结构转角θ=[0°,180°)的透射光场相位,设定入射光为左旋圆偏振光(abs(Ein_x)=abs(Ein_y)、波长为λd,结构参数为(Ln,Wn,Hn,Pn),得到出射光的xy两分量的相位为arg(Eout_n_x)与arg(Eout_n_y),定义角度误差值为:
保留δθ_n中的最小值,其对应的结构参数(Ln,Wn,Hn,Pn)为待求结构参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469724.3A CN110133782B (zh) | 2019-05-31 | 2019-05-31 | 一种可见光波段光学神经网络元件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910469724.3A CN110133782B (zh) | 2019-05-31 | 2019-05-31 | 一种可见光波段光学神经网络元件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110133782A true CN110133782A (zh) | 2019-08-16 |
CN110133782B CN110133782B (zh) | 2021-07-06 |
Family
ID=67583283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910469724.3A Active CN110133782B (zh) | 2019-05-31 | 2019-05-31 | 一种可见光波段光学神经网络元件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133782B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022166188A1 (zh) * | 2021-02-08 | 2022-08-11 | 清华大学 | 光人工神经网络智能芯片、智能处理设备及制备方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101933A (zh) * | 2014-07-15 | 2014-10-15 | 首都师范大学 | 平面光学元件及其设计方法 |
CN105278026A (zh) * | 2015-11-30 | 2016-01-27 | 武汉大学 | 一种超材料体感全息元件及其设计方法 |
CN105629462A (zh) * | 2016-01-12 | 2016-06-01 | 南京大学 | 一种采用超构表面实现中红外频段隐身的方法 |
CN106646866A (zh) * | 2016-12-14 | 2017-05-10 | 南京华捷艾米软件科技有限公司 | 一种360°全视场角衍射光学元件及其设计方法 |
CN107065491A (zh) * | 2017-06-20 | 2017-08-18 | 武汉大学 | 应用于全息防伪的纳米砖阵列全息片及其设计方法 |
CN107085298A (zh) * | 2017-06-20 | 2017-08-22 | 武汉大学 | 一种360°全视场角衍射光学元件及其设计方法 |
CN107991771A (zh) * | 2017-11-21 | 2018-05-04 | 北京理工大学 | 一种基于超颖表面复振幅调制的衍射级次选择性激发方法 |
CN108803292A (zh) * | 2018-05-28 | 2018-11-13 | 中国科学院大学 | 一种基于透射式全介质超表面的偏振复用全息成像方法 |
CN209911650U (zh) * | 2019-05-31 | 2020-01-07 | 苏州麦田光电技术有限公司 | 一种可见光波段粒子群微纳光学元件 |
-
2019
- 2019-05-31 CN CN201910469724.3A patent/CN110133782B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101933A (zh) * | 2014-07-15 | 2014-10-15 | 首都师范大学 | 平面光学元件及其设计方法 |
CN105278026A (zh) * | 2015-11-30 | 2016-01-27 | 武汉大学 | 一种超材料体感全息元件及其设计方法 |
CN105629462A (zh) * | 2016-01-12 | 2016-06-01 | 南京大学 | 一种采用超构表面实现中红外频段隐身的方法 |
CN106646866A (zh) * | 2016-12-14 | 2017-05-10 | 南京华捷艾米软件科技有限公司 | 一种360°全视场角衍射光学元件及其设计方法 |
CN107065491A (zh) * | 2017-06-20 | 2017-08-18 | 武汉大学 | 应用于全息防伪的纳米砖阵列全息片及其设计方法 |
CN107085298A (zh) * | 2017-06-20 | 2017-08-22 | 武汉大学 | 一种360°全视场角衍射光学元件及其设计方法 |
CN107991771A (zh) * | 2017-11-21 | 2018-05-04 | 北京理工大学 | 一种基于超颖表面复振幅调制的衍射级次选择性激发方法 |
CN108803292A (zh) * | 2018-05-28 | 2018-11-13 | 中国科学院大学 | 一种基于透射式全介质超表面的偏振复用全息成像方法 |
CN209911650U (zh) * | 2019-05-31 | 2020-01-07 | 苏州麦田光电技术有限公司 | 一种可见光波段粒子群微纳光学元件 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022166188A1 (zh) * | 2021-02-08 | 2022-08-11 | 清华大学 | 光人工神经网络智能芯片、智能处理设备及制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110133782B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102667544B (zh) | 具有聚焦能力的非周期性光栅反射镜及其制作方法 | |
CN110221447A (zh) | 一种基于超构表面的结构光投影衍射光学器件 | |
CN109283685B (zh) | 一种超构透镜纳米单元的设计方法及超构透镜 | |
US10761334B2 (en) | System and method for optimally forming gratings of diffracted optical elements | |
CN101171545B (zh) | 计算机可读的掩模收缩控制处理器 | |
CN102208359B (zh) | 制作半导体元件的方法与设备 | |
CN209911650U (zh) | 一种可见光波段粒子群微纳光学元件 | |
CN110133782A (zh) | 一种可见光波段光学神经网络元件 | |
CN105652586A (zh) | 利用曝光辅助图形来减少基底反射影响的方法 | |
CN113655548A (zh) | 一种基于超构表面的光学边缘检测设计方法及装置 | |
CN101834160A (zh) | 一种提高芯片成品率的多项目晶圆切割方法 | |
Dong et al. | Surface ripple suppression in subaperture polishing with fragment-type tool paths | |
CN110244395A (zh) | 一种平面双角闪耀光栅的制作方法 | |
US20230408740A1 (en) | Diffractive optical element and method for fabricating the diffractive optical element | |
CN106245006A (zh) | 一种工艺处理方法及装置 | |
CN208521130U (zh) | 组合掩膜版 | |
CN113359220B (zh) | 一种基于三维环状结构的光谱滤光片及应用 | |
CN102486606A (zh) | 光刻方法 | |
WO2021090412A1 (ja) | 光変調器の製造方法 | |
CN110163159A (zh) | 屏下指纹识别结构的准直器贴合方法 | |
CN102955364B (zh) | 具有台阶的衬底的光刻方法 | |
CN115060177B (zh) | 目标结构晶圆获取方法、装置、设备及存储介质 | |
US20230043101A1 (en) | Optical system and method of forming the same | |
CN103309174B (zh) | 采用双极曝光方式的光刻装置、通光单元及光刻方法 | |
CN112329209B (zh) | 一种基于外观轮廓调控的片上光子器件的设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |