3D-printet kunstig intelligens, der kører med lysets hastighed-fra objektklassificering til optisk komponentdesign

Deep learning er en af ​​de hurtigst voksende metoder til maskinindlæring, der er afhængig af kunstige neurale netværk i flere lag. Traditionelt set deep learning-systemer er implementeret til at blive udført på en computer for digitalt at lære datarepræsentation og abstraktion, og udføre avancerede opgaver, sammenlignelig med eller endda bedre end menneskelige eksperters ydeevne. De seneste vellykkede anvendelser af dyb læring omfatter medicinsk billedanalyse, tale genkendelse, sprogoversættelse, billedklassificering, samt at behandle mere specifikke opgaver, såsom løsning af inverse billeddannelsesproblemer.

I modsætning til de traditionelle implementeringer af dyb læring, i en nylig artikel offentliggjort i Videnskab , UCLA-forskere har indført en fysisk mekanisme til implementering af dyb læring ved hjælp af et altoptisk Diffractive Deep Neural Network (D2NN). Denne nye ramme resulterer i 3D-printede strukturer, designet af dyb læring, som viste sig at kunne udføre forskellige slags klassificerings- og billeddannelsesopgaver uden brug af nogen form for strøm, undtagen input lysstrålen. Dette helt optiske dybe neurale netværk kan udføre, med lysets hastighed, forskellige komplekse funktioner, som computerbaserede neurale netværk kan implementere, og finder applikationer i all-optisk billedanalyse, funktionsdetektion og objektklassificering, muliggør også nye kameradesigner og optiske komponenter, der kan lære at udføre unikke opgaver.

Denne forskning blev ledet af Dr. Aydogan Ozcan, kanslerens professor i elektrisk og computerteknik ved UCLA og en HHMI -professor ved Howard Hughes Medical Institute.

Forfatterne validerede effektiviteten af ​​denne tilgang ved at oprette 3D-printede diffraktive netværk, der havde succes med at løse prøveproblemer, såsom klassificering af billederne af håndskrevne cifre (fra 0 til 9) og modeprodukter samt udførelse af funktionen af ​​en billedlinse ved terahertz-spektrum.

"Ved hjælp af passive komponenter, der er fremstillet lag for lag, og at forbinde disse lag med hinanden via lysdiffraktion skabte en unik helt optisk platform til at udføre maskinlæringsopgaver med lysets hastighed, " sagde Dr. Ozcan. Ved at bruge billeddata, forfatterne designet titusinder af pixels på hvert lag, der, sammen med de andre lag, i fællesskab udføre den opgave, netværket blev uddannet til. Efter sin uddannelse, som gøres ved hjælp af en computer, designet er 3D-printet eller fremstillet til at danne en stak lag, der bruger optisk diffraktion til at udføre den indlærte opgave.

Ud over billedklassificeringsopgaver, som forfatterne har demonstreret ved hjælp af håndskrevne cifre og modeprodukter, denne diffraktive neurale netværksarkitektur blev også brugt til at designe et objektiv med flere lag, der fungerer ved terahertz-spektrum, oprettelse af et billede af et vilkårligt inputobjekt ved netværksoutput, uden nogen forståelse af de fysiske love forbundet med billeddannelse. Et sådant design blev skabt ved hjælp af kun billeddata, der blev brugt til at træne pixelværdierne på tværs af forskellige lag til at danne et billeddannelsessystem i form af et diffraktivt netværk.

Dette bevis på konceptarbejde fremhæver nogle unikke muligheder, som dyb læring muliggør for optisk komponentdesign baseret på billeddata, frem for fysiske principper eller ingeniørintuition. Baseret på denne nye tilgang, mere avancerede optiske komponenter kan designes baseret på data, potentielt overgå ydeevnen af ​​traditionelle komponenter.

De andre forfattere til dette værk, alle fra UCLA Samueli School of Engineering, omfatte postdoktorer Xing Lin; Yair Rivenson, og Nezih T. Yardimci; kandidatstuderende Muhammed Veli og Yi Luo; og Mona Jarrahi, UCLA professor i el- og computerteknik.

Dette arbejde blev støttet af NSF og HHMI.