Toward in-sensor imaging classification enabled by on-chip all-optical modulation and photonic neural networks
Notice bibliographique
Résumé
Image sensors play a crucial role in autonomous driving and security. However, the separation of sensors and processors results in large amounts of redundant data being exchanged between sensory terminals and computing units. Here, leveraging silicon photonic integrated technology, we propose an in-sensor imaging classification solution that combines sensing components with photonic neural networks. The sensing components consist of a microring array which can convert visible light signals from free space into near-infrared light signals propagating through silicon waveguides, which are subsequently processed by photonic neural networks. The proposed all-optical modulator is based on a pn-doped microring resonator, enabling light-to-light modulation through two mechanisms: the thermo-optic and plasma-dispersion effects. We demonstrate that these effects can be controlled by shorting the pn-junctions, achieving a modulation depth of 15 dB. Two cascaded microrings—used for converting visible light signals and applying weight signals—demonstrate the ability to perform dot product operations with an effective resolution of near 8 bits, sufficient for data processing. Furthermore, we validated the in-sensor scheme using the Modified National Institute of Standards and Technology (MNIST) dataset, achieving a recognition accuracy of 96.82%. These results pave the way for advanced ‘in-sensor’ imaging classification technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».