Diffractief diep neuraal netwerk is een optisch machine learning-raamwerk dat diep leren combineert met optische diffractie en licht-materie-interactie om diffractieve oppervlakken te ontwerpen die gezamenlijk optische berekeningen uitvoeren met de snelheid van het licht. Een diffractief neuraal netwerk wordt eerst in een computer ontworpen met behulp van deep learning-technieken, gevolgd door de fysieke fabricage van de ontworpen lagen van het neurale netwerk met behulp van bijv. 3D printen of lithografie. Aangezien de verbinding tussen de invoer- en uitvoervlakken van een diffractief neuraal netwerk tot stand wordt gebracht via diffractie van licht door passieve lagen, het gevolgtrekkingsproces en de bijbehorende optische berekening verbruiken geen stroom, behalve het licht dat wordt gebruikt om het object van belang te verlichten.

Ontwikkeld door onderzoekers van UCLA, diffractieve optische netwerken zorgen voor een laag vermogen, lage latentie en zeer schaalbaar machine learning-platform dat tal van toepassingen in robotica kan vinden, autonome voertuigen, defensie-industrie, onder vele anderen. Naast het leveren van statistische gevolgtrekkingen en generalisaties naar gegevensklassen, diffractieve neurale netwerken zijn ook gebruikt om deterministische optische systemen te ontwerpen, zoals een dun beeldvormingssysteem.

Bij deze eerdere demonstraties diffractieve netwerkmodellen werden ontwikkeld om informatie via een enkele golflengte te verwerken en vereisten daarom een ​​monochromatische en coherente verlichtingsbron, in tegenstelling tot bijvoorbeeld het omgevingslicht dat onsamenhangend is en bestaat uit een continuüm van golflengten, breedband maken. Door deze beperking aan te pakken, UCLA-onderzoekers hebben diffractieve netwerken ontworpen die informatie kunnen verwerken met behulp van een continuüm van golflengten, het uitbreiden van dit volledig optische rekenraamwerk naar breedband optische signalen. Gepubliceerd in Licht:wetenschap en toepassingen , UCLA-onderzoekers hebben het succes van dit nieuwe raamwerk aangetoond door een reeks optische componenten te creëren die breedbandinvoerlicht in gewenste subbanden filteren. Deze op deep learning gebaseerde diffractieve systemen regelen ook de precieze locatie van elke gefilterde stralingsband in het uitgangsvlak, demonstreren van ruimtelijk gecontroleerde de-multiplexing van golflengten in het terahertz (THz) deel van het elektromagnetische spectrum.

Na hun ontwerp in een computer, deze breedbanddiffractieve netwerken werden gefabriceerd met een 3D-printer en getest met behulp van een gepulseerde THz-bron die een continuüm van golflengten tussen 60 en 3 uitstraalt, 000 micrometer. De experimentele resultaten verkregen met deze 3D-geprinte diffractieve netwerken toonden een zeer goede overeenkomst met hun overeenkomstige numerieke ontwerpen, de nadruk leggen op de experimentele robuustheid van breedband diffractieve optische netwerken.

Dit onderzoek werd geleid door Dr. Aydogan Ozcan, UCLA Chancellor's Professor of Electrical and Computer Engineering (ECE) en associate director van het California NanoSystems Institute (CNSI). De andere auteurs van dit werk zijn afgestudeerde studenten Yi Luo, Deniz Mengu, Mohammed Veli, postdoctoraal onderzoeker Dr. Nezih T. Yardimci, Adjunct-professor dr. Yair Rivenson, evenals professor Mona Jarrahi, allemaal met de ECE-afdeling van UCLA.

"Het gelijktijdig analyseren en verwerken van licht over vele golflengten biedt unieke mogelijkheden om de inferentie- en generalisatiemogelijkheden van diffractieve optische netwerken te verbeteren om machinale leertaken uit te voeren, zoals volledig optische objectherkenning, en om deterministische en taakspecifieke optische componenten te ontwerpen, het uitbreiden van de optische ontwerpruimte voorbij de menselijke intuïtie", aldus prof. Ozcan.

Deze nieuwe methode is ook breed toepasbaar op verschillende delen van het elektromagnetische spectrum, inclusief de zichtbare band, en daarom, vertegenwoordigt een cruciale mijlpaal voor diffractieve optische netwerken in de richting van hun wijdverbreide gebruik in moderne optische componenten en machine learning-systemen, voor een breed scala aan toepassingen in bijvoorbeeld robotica, autonome voertuigen en bewaking.