Deep learning rekonstruerer hologrammer

Deep learning har oplevet en sand renæssance, især i løbet af det sidste årti, og den bruger kunstige neurale netværk i flere lag til automatiseret analyse af data. Dyb læring er en af ​​de mest spændende former for maskinindlæring, der ligger bag flere nylige fremskridt inden for teknologi, herunder f.eks. Talegenkendelse og oversættelse i realtid samt billed-/videomærkning og billedtekster, blandt mange andre. Især inden for billedanalyse, dyb læring viser et betydeligt løfte om automatiseret søgning og mærkning af interessefunktioner, såsom unormale områder i et medicinsk billede.

Nu, UCLA -forskere har demonstreret en ny anvendelse til dyb læring - denne gang til at rekonstruere et hologram og danne et mikroskopisk billede af et objekt. I en nylig artikel, der er publiceret i Lys:Videnskab og applikationer , et tidsskrift for Springer Nature, UCLA-forskere har vist, at et neuralt netværk kan lære at udføre fasegendannelse og holografisk billedrekonstruktion efter passende træning. Denne dybe læringsbaserede tilgang giver en grundlæggende ny ramme til at udføre holografisk billeddannelse, og sammenlignet med eksisterende tilgange er det betydeligt hurtigere at beregne og rekonstruere forbedrede billeder af objekterne ved hjælp af et enkelt hologram, sådan at det kræver færre målinger udover at det er beregningsmæssigt hurtigere.

Denne forskning blev ledet af Dr. Aydogan Ozcan, en associeret direktør for UCLA California NanoSystems Institute og kanslerens professor i elektrisk og computerteknik ved UCLA Henry Samueli School of Engineering and Applied Science, sammen med Dr. Yair Rivenson, en postdoktor, og Yibo Zhang, en kandidatstuderende, både på UCLA elektriske og computertekniske afdeling.

Forfatterne validerede denne dybe læringsbaserede tilgang ved at rekonstruere hologrammer af forskellige prøver, herunder blod- og Pap-smears (brugt til screening af livmoderhalskræft) samt tynde sektioner af vævsprøver, der anvendes i patologi, som alle viste en vellykket eliminering af rumlige artefakter, der stammer fra den tabte faseinformation ved hologramoptagelsesprocessen. Sagt anderledes, efter dets træning har det neurale netværk lært at udtrække og adskille de rumlige træk ved objektets sande billede fra uønsket lysforstyrrelse og relaterede artefakter. Bemærkelsesværdigt, denne deep learning-baserede hologram-genopretning er blevet opnået uden modellering af lys-stof-interaktion eller en løsning af bølge-ligningen. "Dette er en spændende præstation, da traditionelle fysikbaserede hologramgenopbygningsmetoder er blevet erstattet af en dyb læringsbaseret beregningsmetode," sagde Rivenson.

"Disse resultater er stort set anvendelige på ethvert fasegendannelses- og holografisk billeddannelsesproblem, og denne dybe læringsbaserede ramme åbner op for et utal af muligheder for at designe fundamentalt nye sammenhængende billeddannelsessystemer, spænder over forskellige dele af det elektromagnetiske spektrum, inklusive synlige bølgelængder såvel som røntgenregimet" tilføjede Ozcan, som også er HHMI -professor ved Howard Hughes Medical Institute.

Andre medlemmer af forskerholdet var Harun Günaydın og Da Teng, medlemmer af Ozcan Research Lab ved UCLA.