Deep learning is een van de snelstgroeiende methoden voor machinaal leren die gebaseerd zijn op meerlagige kunstmatige neurale netwerken. traditioneel, deep learning-systemen worden geïmplementeerd om op een computer te worden uitgevoerd om gegevensrepresentatie en -abstractie digitaal te leren, en geavanceerde taken uitvoeren, vergelijkbaar met of zelfs beter dan de prestaties van menselijke experts. Recente succesvolle toepassingen van deep learning zijn onder meer medische beeldanalyse, spraakherkenning, taal vertaling, afbeelding classificatie, naast het aanpakken van meer specifieke taken, zoals het oplossen van inverse beeldvormingsproblemen.

In tegenstelling tot de traditionele implementaties van deep learning, in een recent artikel gepubliceerd in Wetenschap , UCLA-onderzoekers hebben een fysiek mechanisme geïntroduceerd om deep learning te implementeren met behulp van een volledig optisch Diffractive Deep Neural Network (D2NN). Dit nieuwe raamwerk resulteert in 3D-geprinte structuren, ontworpen door diep leren, waarvan is aangetoond dat ze verschillende soorten classificatie- en beeldvormingstaken met succes uitvoeren zonder het gebruik van enige kracht, behalve de ingangslichtstraal. Dit volledig optische diepe neurale netwerk kan presteren, met de snelheid van het licht, verschillende complexe functies die computergebaseerde neurale netwerken kunnen implementeren, en zal toepassingen vinden in volledig optische beeldanalyse, functiedetectie en objectclassificatie, ook nieuwe camera-ontwerpen en optische componenten mogelijk maken die kunnen leren om unieke taken uit te voeren.

Dit onderzoek werd geleid door Dr. Aydogan Ozcan, de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA en een HHMI Professor bij het Howard Hughes Medical Institute.

De auteurs valideerden de effectiviteit van deze aanpak door 3D-geprinte diffractieve netwerken te creëren die succesvol waren in het oplossen van voorbeeldproblemen, zoals de classificatie van de afbeeldingen van handgeschreven cijfers (van 0 tot 9) en modeproducten, evenals het uitvoeren van de functie van een beeldvormende lens in het terahertz-spectrum.

"Door gebruik te maken van passieve componenten die laag voor laag worden gefabriceerd, en deze lagen met elkaar te verbinden via lichtdiffractie creëerde een uniek volledig optisch platform om machine learning-taken uit te voeren met de snelheid van het licht, " zei Dr. Ozcan. Door beeldgegevens te gebruiken, de auteurs ontwierpen tienduizenden pixels op elke laag die, samen met de andere lagen, gezamenlijk de taak uitvoeren waarvoor het netwerk is opgeleid. Na zijn opleiding, dat gebeurt met behulp van een computer, het ontwerp is 3D-geprint of gefabriceerd om een ​​stapel lagen te vormen die optische diffractie gebruiken om de geleerde taak uit te voeren.

Naast beeldclassificatietaken die de auteurs hebben aangetoond met handgeschreven cijfers en modeproducten, deze diffractieve neurale netwerkarchitectuur werd ook gebruikt om een ​​meerlaagse lens te ontwerpen die werkt op het terahertz-spectrum, het creëren van een afbeelding van een willekeurig invoerobject aan de uitgang van het netwerk, zonder enig begrip van de natuurkundige wetten die samenhangen met beeldvorming. Een dergelijk ontwerp is gemaakt met alleen beeldgegevens die werden gebruikt om de pixelwaarden over verschillende lagen te trainen om een ​​beeldvormingssysteem te vormen in de vorm van een diffractief netwerk.

Dit proof of concept-werk belicht enkele unieke kansen die deep learning mogelijk maakt voor het ontwerpen van optische componenten op basis van beeldgegevens, in plaats van fysieke principes of technische intuïtie. Op basis van deze nieuwe aanpak meer geavanceerde optische componenten kunnen worden ontworpen op basis van gegevens, mogelijk de prestaties van traditionele componenten overtreft.

De andere auteurs van dit werk, allemaal van de UCLA Samueli School of Engineering, omvatten postdoctorale wetenschappers Xing Lin; Yair Rivenson, en Nezih T. Yardimci; afgestudeerde studenten Muhammed Veli en Yi Luo; en Mona Jarrahi, UCLA hoogleraar elektrische en computertechniek.

Dit werk werd ondersteund door NSF en HHMI.