单层衍射网络精度卡在64.2%：把边缘检测做进同一片超表面，MNIST升到80.7%
核心概要
单层衍射神经网络受限于波前调制能力，分类精度长期受限。研究者把边缘检测与分类集成到同一块非局域超表面上，用自旋复用让同偏振分量做动量空间滤波提取轮廓、交叉偏振分量经几何相位调制完成分类，并在新月形纳米柱中耦合连续域准束缚态与磁偶极共振，把偏振转换效率做到约55%。在MNIST数据集上，这种边缘增强结构把单层网络的分类精度从64.2%提升到80.7%。
深度剖析
边缘检测和衍射神经网络分类被放到同一块超表面上，按光的不同自旋分量分工，先提轮廓再分类。 此前单层衍射神经网络因波前调制能力有限而存在分类精度瓶颈，边缘检测与基于衍射神经网络的分类难以集成到单一芯片上。 输出光中同偏振分量承担实时边缘检测，交叉偏振分量承担分类，两者在同一平台上顺序完成。
分工靠超表面的色散与相位响应实现，而不是靠额外的电子处理环节。 非局域Huygens超表面的色散特性被用来让同偏振分量在动量空间完成滤波，交叉偏振分量则接受几何相位调制。 新月形纳米柱中耦合连续域准束缚态与磁偶极共振，实测偏振转换效率约55%。
边缘增强减少了输入数据的冗余，使单层网络的分类负担下降。 单层网络在MNIST上的分类精度原为64.2%。 同一数据集上，边缘增强后的单层网络精度达到80.7%。
启示与展望
展示范围是单一非局域超表面平台上的全光边缘检测加分类，验证场景为MNIST手写数字数据集上的单层网络，偏振转换效率约55%。面向的是集成全光机器视觉与智能光子计算方向的研究者与光子器件工程师。
精度提升的报道限于MNIST数据集上的单层网络，尚未给出其他图像任务或更复杂场景下的表现。偏振转换效率约为55%，其余光能的去向与对分类的影响未在材料中说明。