Deep learning är en av de snabbast växande metoderna för maskininlärning som bygger på artificiella neurala nätverk med flera lager. Traditionellt, djupinlärningssystem implementeras för att kunna köras på en dator för att digitalt lära sig datarepresentation och abstraktion, och utföra avancerade uppgifter, jämförbar med eller till och med överlägsen än mänskliga experters prestanda. Nyligen framgångsrika tillämpningar av djupinlärning inkluderar medicinsk bildanalys, taligenkänning, språköversättning, bildklassificering, samt att ta upp mer specifika uppgifter, som att lösa inverterade bildproblem.

I motsats till de traditionella implementeringarna av djupinlärning, i en ny artikel som publicerades i Vetenskap , UCLA-forskare har introducerat en fysisk mekanism för att genomföra djupinlärning med ett helt optiskt Diffractive Deep Neural Network (D2NN). Detta nya ramverk resulterar i 3D-tryckta strukturer, designad av djupinlärning, som visade sig framgångsrikt utföra olika typer av klassificerings- och bilduppgifter utan att använda någon kraft, utom den ingående ljusstrålen. Detta helt optiska djupa neurala nätverk kan prestera, med ljusets hastighet, olika komplexa funktioner som datorbaserade neurala nätverk kan implementera, och hittar applikationer i heloptisk bildanalys, funktionsdetektering och objektklassificering, möjliggör också nya kameradesigner och optiska komponenter som kan lära sig att utföra unika uppgifter.

Denna forskning leddes av Dr Aydogan Ozcan, kanslerens professor i el- och datateknik vid UCLA och en HHMI -professor vid Howard Hughes Medical Institute.

Författarna validerade effektiviteten av detta tillvägagångssätt genom att skapa 3D-tryckta diffraktiva nätverk som lyckades lösa provproblem, såsom klassificering av bilderna på handskrivna siffror (från 0 till 9) och modeprodukter samt att utföra funktionen för en bildlins vid terahertz -spektrum.

"Med hjälp av passiva komponenter som tillverkas lager för lager, och genom att ansluta dessa lager till varandra via ljusdiffraktion skapades en unik heloptisk plattform för att utföra maskininlärningsuppgifter med ljusets hastighet, "sa Dr. Ozcan. Genom att använda bilddata, författarna designade tiotusentals pixlar på varje lager som, tillsammans med de andra skikten, gemensamt utföra den uppgift nätverket utbildades för. Efter utbildningen, som görs med en dator, designen är 3D-tryckt eller tillverkad för att bilda en bunt med lager som använder optisk diffraktion för att utföra den inlärda uppgiften.

Förutom bildklassificeringsuppgifter som författarna har visat med handskrivna siffror och modeprodukter, denna diffraktiva neurala nätverksarkitektur användes också för att designa ett objektiv med flera lager som fungerar vid terahertz-spektrum, skapa en bild av ett godtyckligt inmatningsobjekt vid nätverkets utgång, utan någon förståelse för de fysiska lagar som är förknippade med bildbildning. En sådan design skapades med endast bilddata som användes för att träna pixelvärdena över olika lager för att bilda ett bildsystem i form av ett diffraktivt nätverk.

Detta bevis på konceptarbete belyser några unika möjligheter som djupinlärning möjliggör för optisk komponentdesign baserad på bilddata, snarare än fysiska principer eller ingenjörsintuition. Baserat på detta nya tillvägagångssätt, mer avancerade optiska komponenter kan utformas baserat på data, potentiellt överträffar prestanda för traditionella komponenter.

De andra författarna till detta verk, alla från UCLA Samueli School of Engineering, inkluderar postdoktorer Xing Lin; Yair Rivenson, och Nezih T. Yardimci; doktorander Muhammed Veli och Yi Luo; och Mona Jarrahi, UCLA professor i el- och datateknik.

Detta arbete stöddes av NSF och HHMI.