Altoptisk diffraktivt neuralt netværk lukker ydelsesgabet med elektroniske neurale netværk

Et nyt papir i Avanceret fotonik demonstrerer tydelige forbedringer af slutningen og generaliseringsydelsen af ​​diffraktive optiske neurale netværk.

En af de vigtigste forbedringer, der diskuteres i avisen, "Klassespecifik differentialedetektion i diffraktive optiske neurale netværk forbedrer inferensnøjagtighed, "inkorporerer et differentialdetekteringsskema kombineret med et sæt paralleldrevne diffraktive optiske netværk, hvor hvert enkelt netværk af dette sæt er specialiseret til specifikt at genkende en undergruppe af objektklasser.

Ifølge SPIE -stipendiat Aydogan Ozcan fra University of California, Los Angeles, og en af ​​papirets forfattere, disse resultater "giver et stort fremskridt for at bringe optiske neurale netværksbaserede løsninger med lav effekt og lav latens til forskellige applikationer til maskinlæring."

Denne seneste forskning er et betydeligt fremskridt i forhold til Ozcans ramme for optisk maskinlæring:Teknologien er især vigtig for at genkende målobjekter hurtigere og med betydeligt mindre strøm end standard computerbaserede maskinlæringssystemer. Ultimativt, det kan give store fordele for autonome køretøjer, robotik og forskellige forsvarsrelaterede applikationer, blandt andre.

Disse seneste systematiske fremskridt inden for diffraktive optiske netværksdesigner har potentiale til at fremme udviklingen af ​​næste generations, opgavespecifik, og intelligente computerkamerasystemer.