광자 신경망(PNNs)은 높은 병렬 처리 성능과 낮은 전력 소비와 같은 광학 시스템의 고유한 장점을 공유하여 에너지 효율, 지연 시간 및 처리량 측면에서 기존의 디지털 신경망에 도전할 수 있습니다. 그러나 확장 가능한 광자 인공 지능(AI) 솔루션을 생산하는 것은 여전히 어려운 과제입니다. 광자 AI 모델을 실현 가능하게 하려면 확장성 문제를 해결해야 합니다. PNN에 구현된 대규모 광학 AI 모델은 광학 컴퓨팅의 장점이 입출력 오버헤드 비용을 상쇄할 경우에만 상업적으로 실현 가능합니다. 본 논문에서는 현장 프로그래밍 가능 메타표면 기술이 확장 가능한 광자 AI 가속기를 달성하는 데 중요한 하드웨어 구성 요소가 되는 방법과 기존의 디지털 전자 기술과 경쟁할 수 있는 방법을 논의합니다. 프로그래밍 가능성 또는 재구성 가능성은 PNN 하드웨어의 중요한 구성 요소이며, 현장 학습을 가능하게 하고 미세 조정 또는 전이 학습이 필요한 비정상적인 사용 사례를 수용할 수 있습니다. 전자 장치와의 공동 통합, 3D 스태킹 및 메타표면의 대규모 제조는 PNN의 확장성과 기능을 크게 향상시킬 것입니다. 프로그래밍 가능한 메타표면은 PNN이 직면한 현재의 과제 중 일부를 해결하고 차세대 광자 AI 기술을 가능하게 할 수 있습니다.
