ReDON: 재구성 가능한 자체 변조 비선형성을 갖는 순환 회절 광학 신경 처리 장치

ReDON: Recurrent Diffractive Optical Neural Processor with Reconfigurable Self-Modulated Nonlinearity

회절 광학 신경망(DONN)은 정보를 광 영역에서 직접 처리함으로써 탁월한 에너지 효율성과 병렬성을 보여주었습니다. 그러나 이들의 계산 능력은 효율적인 비선형 응답과 재프로그래밍 가능성이 부족한 정적, 수동 회절 위상 마스크에 의해 제한됩니다. 이러한 제한 사항을 해결하기 위해, 우리는 재구성 가능한 자체 변조 비선형성을 특징으로 하는 새로운 아키텍처인 순환 회절 광학 신경 처리 장치(ReDON)를 소개합니다. 이 메커니즘은 현장 전기 광학 자체 변조를 통해 동적이고 입력 의존적인 광학 전송을 가능하게 하여, 매우 효율적이고 재프로그래밍 가능한 광학 계산 방식을 제공합니다. 대규모 언어 모델에 사용되는 게이티드 선형 유닛(GLU)에서 영감을 받아, ReDON은 전파되는 광학 필드의 일부를 감지하고 경량 파라미터 함수를 통해 위상 또는 강도를 변조하여, 최소한의 추론 오버헤드로 효과적인 비선형성을 구현합니다. ReDON은 주요 가중치 요소(메타표면)가 고정된 비폰 노이만 아키텍처이며, 순환적인 광학 하드웨어 재사용과 동적으로 조정 가능한 비선형성을 통해 기존 DONN의 비선형 표현 능력과 작업 적응성을 크게 향상시킵니다. 우리는 다양한 자체 변조 구성을 체계적으로 조사하여 하드웨어 효율성과 계산 표현력 간의 균형을 분석합니다. 이미지 인식 및 분할 벤치마크에서, ReDON은 동등한 모델 복잡성과 무시할 수 있는 추가 전력 소비로, 광학 또는 디지털 비선형성을 사용하는 기존 DONN에 비해 최대 20% 향상된 테스트 정확도와 평균 IoU(mIoU)를 달성했습니다. 이 연구는 순환 및 자체 변조를 비폰 노이만 아날로그 프로세서에 통합하여 재구성 가능한 비선형 광학 계산의 새로운 패러다임을 제시합니다.

Diffractive optical neural networks (DONNs) have demonstrated unparalleled energy efficiency and parallelism by processing information directly in the optical domain. However, their computational expressivity is constrained by static, passive diffractive phase masks that lack efficient nonlinear responses and reprogrammability. To address these limitations, we introduce the Recurrent Diffractive Optical Neural Processor (ReDON), a novel architecture featuring reconfigurable, recurrent self-modulated nonlinearity. This mechanism enables dynamic, input-dependent optical transmission through in-situ electro-optic self-modulation, providing a highly efficient and reprogrammable approach to optical computation. Inspired by the gated linear unit (GLU) used in large language models, ReDON senses a fraction of the propagating optical field and modulates its phase or intensity via a lightweight parametric function, enabling effective nonlinearity with minimal inference overhead. As a non-von Neumann architecture in which the primary weighting elements (metasurfaces) remain fixed, ReDON substantially extends the nonlinear representational capacity and task adaptability of conventional DONNs through recurrent optical hardware reuse and dynamically tunable nonlinearity. We systematically investigate various self-modulation configurations to characterize the trade-offs between hardware efficiency and computational expressivity. On image recognition and segmentation benchmarks, ReDON improves test accuracy and mean intersection-over-union (mIoU) by up to 20% compared with prior DONNs employing either optical or digital nonlinearities at comparable model complexity and negligible additional power consumption. This work establishes a new paradigm for reconfigurable nonlinear optical computing, uniting recurrence and self-modulation within non-von Neumann analog processors.