深度学习方法是一种灵感来自人脑的机器学习技术，它在图像处理、图像识别、语音识别和语言翻译等各个领域都有应用。然而，它严重依赖于电子计算机，而电子计算机存在计算限制，并且由于冯·诺依曼体系结构的缘故，导致性能瓶颈和高能耗。光学神经网络通过优化光的使用方式来解决这些问题，实现高速、并行和高能效的计算。
作者们提出了P-DNN作为解决ONNs可重构性问题的创新方案。与传统方法需要在出现新任务时进行完整的重新训练不同，P-DNN可以通过在网络中交换可插入值来切换识别任务。这个特性增强了网络设计的灵活性，同时有效减少了计算资源和训练时间的消耗。研究人员使用了两层级的级联元表面来演示该方法，分别使用手写数字和时尚作为输入。
P-DNN架构包括一个公共的预处理层和备选的任务特定分类层。该系统基于光的衍射理论进行训练，每个层级的光神经元通过元表面中的元原子来表示。训练阶段涉及使用随机梯度下降和误差反向传播方法来优化元表面组件的参数。该文章强调了迁移学习的优化流程，使系统能够在各种分类任务中实现高准确性。该文章使用P-DNN框架展示了数字和时尚分类任务的结果。模拟和实验任务都显示出高准确性，两个任务都超过了90%。
可插拔式衍射神经网络充分利用光学神经网络，解决了传统深度学习的局限性。它可以适应一系列特定任务，不仅限于分类任务。它们为真实任务（如自动驾驶中的实时物体检测和显微镜成像中的智能物体过滤）提供了高能效、高计算能力的系统。