Het grootste deel van het computergebruik in de modernste neurale netwerken omvat lineaire bewerkingen, bijvoorbeeld matrixvectorvermenigvuldigingen en convoluties. Lineaire bewerkingen kunnen ook een belangrijke rol spelen in cryptografie. Hoewel speciale processors zoals GPU's en TPU's beschikbaar zijn voor het uitvoeren van zeer parallelle lineaire bewerkingen, verbruiken deze apparaten veel energie en beperkt de lage bandbreedte van de elektronica nog steeds hun werkingssnelheid. Optica is beter geschikt voor dergelijke operaties vanwege het inherente parallellisme en de grote bandbreedte en rekensnelheid.

Gebouwd uit een reeks ruimtelijk ontworpen dunne oppervlakken, diffractieve diepe neurale netwerken (D ² NN), ook bekend als diffractieve netwerken, vormen een recentelijk opkomende optische computerarchitectuur die in staat is om computertaken passief uit te voeren met de snelheid van de voortplanting van het licht door een ultradun volume.

Deze taakspecifieke, volledig optische computers worden digitaal ontworpen door de ruimtelijke kenmerken van hun samenstellende diffractieve oppervlakken te leren kennen. Na dit eenmalige ontwerpproces worden de geoptimaliseerde oppervlakken gefabriceerd en geassembleerd om de fysieke hardware van het diffractieve optische netwerk te vormen.

In hun publicatie in Advanced Photonics Nexus heeft een team van onderzoekers onder leiding van Aydogan Ozcan, de bondskanselier en de Volgenau-leerstoel voor technische innovatie aan de UCLA, een methode geïntroduceerd om lineaire bewerkingen met complexe waarden uit te voeren met diffractieve netwerken onder ruimtelijk onsamenhangende verlichting.

Eerder is door dezelfde groep aangetoond dat diffractieve netwerken met voldoende vrijheidsgraden willekeurige lineaire transformaties met complexe waarden kunnen uitvoeren met ruimtelijk coherent licht en met een verwaarloosbare fout.

In tegenstelling tot ruimtelijk onsamenhangend licht kunnen deze netwerken willekeurige lineaire transformaties van optische invoerintensiteiten uitvoeren als de matrixelementen die de transformatie definiëren reëel en niet-negatief zijn. Gegeven het feit dat ruimtelijk incoherente verlichtingsbronnen vaker voorkomen en gemakkelijker toegankelijk zijn, is er een groeiende behoefte aan ruimtelijk incoherente diffractieve processors die gegevens kunnen verwerken die verder gaan dan alleen niet-negatieve waarden.

Door voor- en naverwerkingsstappen op te nemen om complexe getallen weer te geven door een reeks niet-negatieve reële getallen, hebben UCLA-onderzoekers de verwerkingskracht van ruimtelijk incoherente diffractieve netwerken uitgebreid naar het domein van complexe getallen.

Ze toonden aan dat dergelijke onsamenhangende diffractieve processors kunnen worden ontworpen om een ​​willekeurige lineaire transformatie met complexe waarden uit te voeren met een verwaarloosbare fout als er voldoende optimaliseerbare fase-only diffractieve kenmerken binnen het ontwerp zijn, die schaalt met de afmetingen van het invoer- en uitvoercomplex. vectorruimten.

De onderzoekers demonstreerden de toepassing van dit nieuwe schema via encryptie en decryptie van beelden met een complexe waarde met behulp van ruimtelijk onsamenhangende diffractieve netwerken. Naast visuele beeldversleuteling zouden dergelijke ruimtelijk onsamenhangende diffractieve processors ook nuttig kunnen zijn in andere toepassingen, bijvoorbeeld in autonome voertuigen voor ultrasnelle en energiezuinige verwerking van natuurlijke scènes.

Meer informatie: Xilin Yang et al., Complexe universele lineaire transformaties en beeldversleuteling met behulp van ruimtelijk onsamenhangende diffractieve netwerken, Advanced Photonics Nexus (2024). DOI:10.1117/1.APN.3.1.016010

Aangeboden door UCLA Engineering Institute for Technology Advancement