Nyt design udvikler optiske neurale netværk, der beregner med lysets hastighed ved hjælp af konstrueret materiale

Diffraktivt dybt neuralt netværk er en ramme for optisk maskinindlæring, der bruger diffraktive overflader og konstrueret stof til alle optisk at udføre beregning. Efter dets design og uddannelse i en computer ved hjælp af moderne dybe læringsmetoder, hvert netværk er fysisk fremstillet, ved hjælp af f.eks. 3D-tryk eller litografi, at konstruere den uddannede netværksmodel til stof. Denne 3D-struktur af konstrueret stof består af transmissive og/eller reflekterende overflader, der udfører maskinlæringsopgaver gennem lysstofinteraktion og optisk diffraktion, ved lysets hastighed, og uden behov for strøm, undtagen det lys, der belyser inputobjektet. Dette er især vigtigt for at genkende målobjekter meget hurtigere og med betydeligt mindre strøm sammenlignet med standard computerbaserede maskinlæringssystemer, og kan give store fordele for autonome køretøjer og forskellige forsvarsrelaterede applikationer, blandt andre. Indført af UCLA -forskere [1], denne ramme blev eksperimentelt valideret til objektklassificering og billeddannelse, leverer en skalerbar og energieffektiv ramme for optisk beregning. I følgende forskning, UCLA -ingeniører forbedrede yderligere slutresultaterne for diffraktive optiske neurale netværk ved at integrere dem med standard digitale dybe neurale netværk, dannelse af hybrid machine learning -modeller, der udfører beregning delvist ved hjælp af lysdiffraktion gennem stof og delvist ved hjælp af en computer [2].

I deres seneste arbejde, [3] udgivet i Avanceret fotonik , en open access journal for SPIE, det internationale samfund for optik og fotonik, UCLA -gruppen har udnyttet fuldt ud optikkens iboende paralleliseringsevne, og forbedrede inferens- og generaliseringsydelsen betydeligt for diffraktive optiske neurale netværk (se figuren), hjælper med at lukke kløften mellem alle optiske og standard elektroniske neurale netværk. En af de vigtigste forbedringer indeholdt et differentialdetekteringsskema, hvor hver klassescore på det optiske netværks udgangsplan beregnes ved hjælp af to forskellige detektorer, den ene repræsenterer positive tal og den anden repræsenterer negative tal. Den korrekte objektklasse (f.eks. Biler, flyvemaskiner, skibe osv.) udledes af detektorparret, der har den største normaliserede forskel mellem de positive og de negative detektorer. Denne differentialdetekteringsskema er også kombineret med parallelløbende diffraktive optiske netværk, hvor hver enkelt er specialiseret til specifikt at genkende en undergruppe af objektklasser. Dette klassespecifikke diffraktive netværksdesign drager betydeligt fordel af parallelismen og skalerbarheden af ​​optiske systemer, danner parallelle lysveje inden for 3D-konstrueret materiale til separat at beregne klassescores for forskellige typer objekter.

Disse nye designstrategier opnåede hidtil usete niveauer af inferensnøjagtighed for altoptisk neuralt netværksbaseret maskinlæring. For eksempel, i en implementering demonstrerede UCLA -forskere numerisk blindtestnøjagtigheder på 98,59%, 91,06% og 51,44% til genkendelse af billederne af håndskrevne cifre, modeprodukter, og CIFAR-10 billeddatasæt i gråtoner (sammensat af fly, biler, fugle, katte, hjort, hunde, frøer, heste, skibe, og lastbiler), henholdsvis [3]. Til sammenligning, disse slutningsresultater kommer tæt på udførelsen af ​​nogle af de tidligere generationer af elektroniske dybe neurale netværk, for eksempel, LeNet, som opnår klassificeringsnøjagtigheder på 98,77%, 90,27%, og 55,21% svarende til de samme datasæt, henholdsvis. Nyere design af elektroniske neurale netværk, såsom ResNet, opnå meget bedre ydeevne, stadig efterlader et hul mellem ydelserne for alle optiske og elektroniske neurale netværk. Dette hul, imidlertid, er afbalanceret af vigtige fordele ved alle optiske neurale netværk, såsom slutningshastigheden, skalerbarhed, parallelisme og laveffektbehovet for passive optiske netværk, der anvender konstrueret stof til at beregne gennem diffraktion af lys.

Denne forskning blev ledet af Dr. Aydogan Ozcan, der er kanslerprofessor i elektrisk og computerteknik ved UCLA, og en associeret direktør for California NanoSystems Institute (CNSI). De andre forfattere til dette arbejde er kandidatstuderende Jingxi Li, Deniz Mengu og Yi Luo, samt Dr. Yair Rivenson, adjungeret professor i elektroteknik og computerteknik ved UCLA.

"Vores resultater giver et stort fremskridt med at bringe optiske neurale netværksbaserede løsninger med lav strøm og lav latens til forskellige applikationer til maskinlæring, "sagde prof. Ozcan. Desuden, disse systematiske fremskridt inden for diffraktive optiske netværksdesigner kan bringe os et skridt tættere på udviklingen af ​​næste generation, opgavespecifikke og intelligente computerkamerasystemer.

Denne forskning blev støttet af Koç Group, NSF og HHMI.