Udførelse af komplekst værdifulde lineære transformationer ved hjælp af rumligt usammenhængende diffraktive optiske netværk

Hovedparten af ​​databehandlingen i avancerede neurale netværk omfatter lineære operationer, f.eks. matrix-vektor-multiplikationer og foldninger. Lineære operationer kan også spille en vigtig rolle i kryptografi. Mens dedikerede processorer såsom GPU'er og TPU'er er tilgængelige til at udføre meget parallelle lineære operationer, er disse enheder strømkrævende, og elektronikkens lave båndbredde begrænser stadig deres driftshastighed. Optik er bedre egnet til sådanne operationer på grund af dens iboende parallelitet og store båndbredde og beregningshastighed.

Bygget af et sæt rumligt konstruerede tynde overflader, diffraktive dybe neurale netværk (D ² NN), også kendt som diffraktive netværk, danner en nyligt opstået optisk computerarkitektur, der er i stand til at udføre beregningsopgaver passivt med lysets hastighed gennem et ultratyndt volumen.

Disse opgavespecifikke optiske computere er designet digitalt ved at lære de rumlige egenskaber af deres konstituerende diffraktive overflader. Efter denne engangsdesignproces fremstilles og samles de optimerede overflader til den fysiske hardware i det diffraktive optiske netværk.

I deres udgivelse i Advanced Photonics Nexus , et team af forskere ledet af Aydogan Ozcan, kanslerens professor og Volgenau-lærestolen for ingeniørinnovation ved UCLA, har introduceret en metode til at udføre komplekst værdifulde lineære operationer med diffraktive netværk under rumligt usammenhængende belysning.

Det var tidligere blevet vist af den samme gruppe, at diffraktive netværk med tilstrækkelige frihedsgrader kan udføre vilkårlige lineære transformationer med kompleks værdi med rumligt kohærent lys med ubetydelig fejl.

I modsætning hertil kan disse netværk med rumligt inkohærent lys udføre vilkårlige lineære transformationer af optiske inputintensiteter, hvis matrixelementerne, der definerer transformationen, er reelle og ikke-negative. I betragtning af at rumligt usammenhængende belysningskilder er mere udbredte og lettere at få adgang til, er der et stigende behov for rumligt usammenhængende diffraktive processorer til at håndtere data ud over kun ikke-negative værdier.

Ved at inkorporere forbehandlings- og efterbehandlingstrin for at repræsentere komplekse tal ved et sæt af ikke-negative reelle tal, har UCLA-forskere udvidet behandlingskraften af ​​rumligt usammenhængende diffraktive netværk til domænet af komplekse tal.

De demonstrerede, at sådanne usammenhængende diffraktive processorer kan designes til at udføre en vilkårlig kompleks-værdi lineær transformation med ubetydelig fejl, hvis der er et tilstrækkeligt antal optimerbare fase-kun diffraktive funktioner i designet, som skaleres med dimensionerne af input- og outputkomplekset vektorrum.

Forskerne viste anvendelsen af ​​denne nye ordning via kryptering og dekryptering af komplekst værdifulde billeder ved hjælp af rumligt usammenhængende diffraktive netværk. Bortset fra visuel billedkryptering kan sådanne rumligt usammenhængende diffraktive processorer også være nyttige i andre applikationer, f.eks. i autonome køretøjer til ultrahurtig og lav-effekt behandling af naturlige scener.

Flere oplysninger: Xilin Yang et al., Kompleks værdsatte universelle lineære transformationer og billedkryptering ved hjælp af rumligt usammenhængende diffraktive netværk, Advanced Photonics Nexus (2024). DOI:10.1117/1.APN.3.1.016010

Leveret af UCLA Engineering Institute for Technology Advancement