Verschillende vormen van lineaire transformaties, zoals de Fouriertransformatie, worden op grote schaal gebruikt bij het verwerken van informatie in verschillende toepassingen. Deze transformaties worden over het algemeen geïmplementeerd in het digitale domein met behulp van elektronische processors, en hun rekensnelheid is beperkt door de capaciteit van de gebruikte elektronische chip, wat een knelpunt vormt naarmate de gegevens en de afbeeldingsgrootte groot worden. Een oplossing voor dit probleem zou kunnen zijn om digitale processors te vervangen door optische tegenhangers en licht te gebruiken om informatie te verwerken.

In een nieuw artikel gepubliceerd in Licht:wetenschap en toepassingen , een team van optische ingenieurs, onder leiding van professor Aydogan Ozcan van de afdeling Electrical and Computer Engineering van de University of California, Los Angeles (UCLA), ONS., en collega's hebben een op deep learning gebaseerde ontwerpmethode ontwikkeld voor volledig optische berekening van een willekeurige lineaire transformatie. Deze volledig optische processor maakt gebruik van ruimtelijk ontworpen diffractieve oppervlakken bij het manipuleren van optische golven en berekent elke gewenste lineaire transformatie wanneer het licht door een reeks diffractieve oppervlakken gaat. Op deze manier, de berekening van de gewenste lineaire transformatie is voltooid met de snelheid van de voortplanting van het licht, met de transmissie van het ingangslicht door deze diffractieve oppervlakken. Naast de rekensnelheid, deze volledig optische processors verbruiken ook geen rekenkracht, behalve het verlichtingslicht, waardoor het een passief en high-throughput computersysteem is.

De analyses die door het UCLA-team zijn uitgevoerd, geven aan dat een op diep leren gebaseerd ontwerp van deze volledig optische diffractieve processors nauwkeurig elke willekeurige lineaire transformatie tussen een invoer- en uitvoervlak kan synthetiseren, en de nauwkeurigheid en de diffractie-efficiëntie van de resulterende optische transformaties aanzienlijk verbeteren naarmate het aantal diffractieve oppervlakken toeneemt, onthullend dat diepere diffractieve processors krachtiger zijn in hun computermogelijkheden.

Het succes van deze methode is aangetoond door het uitvoeren van een breed scala aan lineaire transformaties, waaronder bijvoorbeeld willekeurig gegenereerde fase- en amplitudetransformaties, de Fourier-transformatie, beeldpermutatie en filterbewerkingen. Dit computerraamwerk kan breed worden toegepast op elk deel van het elektromagnetische spectrum om volledig optische processors te ontwerpen die ruimtelijk ontworpen diffractieve oppervlakken gebruiken om universeel een willekeurige complexe waarde lineaire transformatie uit te voeren. Het kan ook worden gebruikt om volledig optische informatieverwerkingsnetwerken te vormen om een ​​gewenste rekentaak uit te voeren tussen een invoer- en uitvoervlak, een passieve, stroomloos alternatief voor digitale processors.