Een nieuw papier binnen Geavanceerde fotonica demonstreert duidelijke verbeteringen aan de inferentie- en generalisatieprestaties van diffractieve optische neurale netwerken.

Een van de belangrijkste verbeteringen die in het document worden besproken, "Klasse-specifieke differentiële detectie in diffractieve optische neurale netwerken verbetert de nauwkeurigheid van gevolgtrekkingen, " bevat een differentieel detectieschema gecombineerd met een reeks parallel werkende diffractieve optische netwerken, waarbij elk individueel netwerk van deze set gespecialiseerd is om specifiek een subgroep van objectklassen te herkennen.

Volgens SPIE Fellow Aydogan Ozcan van de Universiteit van Californië, Los Angeles, en een van de auteurs van het artikel, deze resultaten "bieden een grote vooruitgang om optische neurale netwerkgebaseerde low-power en low-latency-oplossingen te bieden voor verschillende machine-learning-toepassingen."

Dit laatste onderzoek is een belangrijke stap vooruit in Ozcan's optische machine learning-raamwerk:de technologie is vooral belangrijk voor het sneller en met aanzienlijk minder vermogen herkennen van doelobjecten dan standaard computergebaseerde machine learning-systemen. uiteindelijk, het kan grote voordelen opleveren voor autonome voertuigen, robotica en diverse defensiegerelateerde toepassingen, onder andere.

Deze nieuwste systematische ontwikkelingen in diffractieve optische netwerkontwerpen hebben het potentieel om de ontwikkeling van de volgende generatie, taakspecifiek, en intelligente computercamerasystemen.