Helt optiske diffraktive neurale netværk behandler bredbåndslys

Diffraktivt dybt neuralt netværk er en optisk maskinlæringsramme, der blander dyb læring med optisk diffraktion og lys-stof-interaktion for at konstruere diffraktive overflader, der tilsammen udfører optisk beregning ved lysets hastighed. Et diffraktivt neuralt netværk er først designet i en computer ved hjælp af deep learning-teknikker, efterfulgt af den fysiske fremstilling af de designede lag af det neurale netværk ved hjælp af f.eks. 3-D print eller litografi. Da forbindelsen mellem input- og outputplanerne i et diffraktivt neuralt netværk er etableret via diffraktion af lys gennem passive lag, slutningsprocessen og den tilknyttede optiske beregning bruger ikke nogen strøm bortset fra lyset, der bruges til at belyse objektet af interesse.

Udviklet af forskere ved UCLA, diffraktive optiske netværk giver lav strøm, lav latens og meget skalerbar maskinlæringsplatform, der kan finde adskillige applikationer inden for robotteknologi, autonome køretøjer, forsvarsindustrien, blandt mange andre. Ud over at give statistisk inferens og generalisering til klasser af data, diffraktive neurale netværk er også blevet brugt til at designe deterministiske optiske systemer såsom et tyndt billeddannelsessystem.

I disse tidligere demonstrationer, diffraktive netværksmodeller blev udviklet til at behandle information gennem en enkelt bølgelængde og krævede derfor en monokromatisk og sammenhængende belysningskilde, i modsætning til for eksempel det omgivende lys, som er usammenhængende og sammensat af et kontinuum af bølgelængder, gør det til bredbånd. Imødegå denne begrænsning, UCLA-forskere har designet diffraktive netværk, der kan behandle information ved hjælp af et kontinuum af bølgelængder, udvidelse af denne helt optiske beregningsramme til optiske bredbåndssignaler. Udgivet i Lys:Videnskab og applikationer , UCLA-forskere demonstrerede succesen med denne nye ramme ved at skabe en række optiske komponenter, der filtrerer bredbåndsinputlys til ønskede underbånd. Disse deep learning-baserede diffraktive systemer styrer også den præcise placering af hvert filtreret strålingsbånd ved outputplanet, demonstrerer rumligt styret bølgelængde-demultipleksing i terahertz (THz) del af det elektromagnetiske spektrum.

Efter deres design i en computer, disse bredbånds diffraktive netværk blev fremstillet med en 3D-printer og testet ved hjælp af en pulserende THz-kilde, der udsender et kontinuum af bølgelængder mellem 60 og 3, 000 mikrometer. De eksperimentelle resultater opnået med disse 3-D-printede diffraktive netværk viste en meget god overensstemmelse med deres tilsvarende numeriske design, fremhæve den eksperimentelle robusthed af bredbåndsdiffraktive optiske netværk.

Denne forskning blev ledet af Dr. Aydogan Ozcan, UCLA-kanslerens professor i elektro- og computerteknik (ECE) og associeret direktør for California NanoSystems Institute (CNSI). De andre forfattere til dette værk er kandidatstuderende Yi Luo, Deniz Mengu, Muhammed Veli, post-doc forsker Dr. Nezih T. Yardimci, Adjungeret professor Dr. Yair Rivenson, samt professor Mona Jarrahi, alle med ECE-afdelingen på UCLA.

"Samtidig analyse og behandling af lys på tværs af mange bølgelængder giver enestående muligheder for at forbedre inferens- og generaliseringsfunktionerne i diffraktive optiske netværk til at udføre maskinlæringsopgaver, såsom heloptisk objektgenkendelse, samt at designe deterministiske og opgavespecifikke optiske komponenter, udvide det optiske designrum ud over den menneskelige intuition," sagde prof. Ozcan.

Denne nye metode er også bredt anvendelig for forskellige dele af det elektromagnetiske spektrum, inklusive det synlige bånd, og dermed, repræsenterer en kritisk milepæl for diffraktive optiske netværk mod deres udbredte anvendelse i moderne optiske komponenter og maskinlæringssystemer, dækker en bred vifte af applikationer inden for for eksempel robotteknologi, autonome køretøjer og overvågning.