フォトニックチップと他の光ニューラルネットワーク手法の併用研究（2015〜2025/10）
外部リンク
1. ChatGPTでのサーベイ
フォトニックチップ（光集積回路）でのニューラルネットワーク実装と他の光ニューラルネットワーク手法（回折ニューラルネットワークやリザバーなど）を併用する研究を調べて、タイトル、年、リンク、概要、関連性（高、中、低）で表にしてください。
2. Notionでの整理（閲覧リンク）
3. NotebookLMプロジェクト（閲覧リンク）
NotebookLM
提供された資料は、光コンピューティング、特にニューラルネットワークアクセラレータのエネルギー効率とスケーラビリティを向上させるための新しいアーキテクチャに焦点を当てています。
最初の資料は、低電力でスケーラブルな多層光電ニューラルネットワークについて説明しており、これは行列-ベクトル乗算を光層で、活性化関数を光電層で交互に実行し、データ読み書きのエネルギーコストを削減するものです。
二番目の資料は、再構成可能で物理的に構成可能なハイブリッド回折光ニューラルネットワーク（MDR-HDONN）を提案しており、これは波長、間隔、向き、配置順序などの複数のシステムレベルの変数を学習可能にすることで、回折光ニューラルネットワーク（DONN）の適応性と機能性を指数関数的に高めています。
最後の資料の抜粋も、集積チップ回折ニューラルネットワークによる空間効率の高い光コンピューティングの実現に取り組んでいます。
これらの研究はすべて、ディープラーニングとAIアプリケーション向けの、より高速でエネルギー効率の高いハードウェアを開発するという共通の目標を共有しています。
OpenAI DeepResearch
回折型光学ネットワークの出力をフォトニック集積回路（PIC）内の光学分類器に接続し、全光学的に推論を完結させるアプローチも研究されています。
Wangら（2022）は、シリコンフォトニクス基板上に多層メタサーフェス（回折光学素子）を集積し、小型チップ上で画像分類を実現しました。彼らは0.135 mm^2のチップ領域に約1000個のナノスケール位相シフタ（光学重み）を集積し、15ピクセル程度の小規模パターン分類で約90%の認識精度を達成しています（wang2022）。
またZhangら（2025）は、2次元フォトニック結晶（PhC）構造と回折層を組み合わせたハイブリッド光学分類アーキテクチャを提案しました。このシステム（PhC-DONN）ではフォトニック結晶による畳み込み層とPhCベースの非線形活性化層（後述）を備え、3段の回折層と組み合わせてマルチモーダルな画像・映像分類を行います。マルチ波長の光並列処理によって一度の光伝搬で複数チャネルの推論を同時実行し、MNIST手書き数字で99.09%、CIFAR-10で66.41%、人の動作認識で92.25%の分類精度を達成しました。さらに従来比32倍のスループット向上（32波長並列処理）も報告されており、光学前段とPIC内分類器を統合することで大規模並列かつ高速なオールフォトニック推論が可能になることを示しています。（zhang2025）
論文
Integrated photonic metasystem for image classifications at telecommunication wavelength
Wangら（2022）は、シリコンフォトニクス基板上に多層メタサーフェス（回折光学素子）を集積し、小型チップ上で画像分類を実現しました。彼らは0.135 mm^2のチップ領域に約1000個のナノスケール位相シフタ（光学重み）を集積し、15ピクセル程度の小規模パターン分類で約90%の認識精度を達成しています（wang2022）。
Multi-wavelength diffractive optical neural network integrated with 2D photonic crystals for joint optical classification
Zhangら（2025）は、2次元フォトニック結晶（PhC）構造と回折層を組み合わせたハイブリッド光学分類アーキテクチャを提案しました。このシステム（PhC-DONN）ではフォトニック結晶による畳み込み層とPhCベースの非線形活性化層（後述）を備え、3段の回折層と組み合わせてマルチモーダルな画像・映像分類を行います。マルチ波長の光並列処理によって一度の光伝搬で複数チャネルの推論を同時実行し、MNIST手書き数字で99.09%、CIFAR-10で66.41%、人の動作認識で92.25%の分類精度を達成しました。さらに従来比32倍のスループット向上（32波長並列処理）も報告されており、光学前段とPIC内分類器を統合することで大規模並列かつ高速なオールフォトニック推論が可能になることを示しています。（zhang2025）
Multi-Dimensional Reconfigurable, Physically Composable Hybrid Diffractive Optical Neural Network
この文書は、多次元再構成可能なハイブリッド回折光ニューラルネットワーク (MDR-HDONN) という、新しい人工知能 (AI) アクセラレータのシステム設計を紹介しています。従来の回折光ニューラルネットワーク (DONNs) は、製造後の光学構造が固定されているため再構成性に欠けるという課題がありましたが、MDR-HDONNは物理的に構成可能なアーキテクチャを採用することでこれを克服します。このシステムは、波長や間隔、メタサーフェスの向き、配置順序など、光システムの組み込み変数を微分可能に学習することで、指数関数的に拡張された機能性と優れたタスク適応性を実現します。さらに、超並列な自由空間回折光学系と再構成可能な集積フォトニクスを組み合わせたハイブリッド設計により、デジタル計算に匹敵する精度を維持しながら、最大74倍の高速化と194倍の低エネルギー消費を達成し、多用途で効率的な光AIコンピューティングの新しいパラダイムを切り開きます。
Space-efficient optical computing with an integrated chip diffractive neural network
本研究は、集積チップ回折ニューラルネットワーク（IDNN）を用いた省スペースな光コンピューティングを提案し、実証したものです。従来の光ニューラルネットワーク（ONN）が、計算操作の実現に多くのマッハ・ツェンダー干渉計（MZI）を必要とし、その結果、フットプリントとエネルギー消費が入力次元に対して二次的に増大するというスケーラビリティの限界を克服しています。この新しいIDNNチップは、超小型回折セルを活用してフーリエ変換と逆フーリエ変換を実現することで、必要となるMZIの数を入力次元に対して線形にスケールするように削減しました。この画期的な設計により、従来のMZIベースのONNと比較して、フットプリントとエネルギー消費の両方で約10倍の削減を達成し、スケーラブルで低消費電力の光演算チップの実現に向けた有望な道筋を示しています。
Low-power scalable multilayer optoelectronic neural networks enabled with incoherent light
本研究は、現代のディープラーニングとAIに必要な高速でエネルギー効率の高い計算を実現するために、低消費電力でスケーラブルな多層光電ニューラルネットワークを提案し、実証しています。このフレームワークは、行列とベクトルの乗算を行う光学層と、整流線形関数（ReLU）を実装する光電子層を交互に配置しており、特にデータの読み書きにかかるエネルギーコストを大幅に削減します。LEDと光検出器のアレイを利用したこのシステムは、MNIST手書き数字認識で92%の精度を達成し、スケーラブルな光アクセラレータへの道を切り開くものです。