Ett nytt papper in Avancerad fotonik demonstrerar tydliga förbättringar av slutlednings- och generaliseringsprestanda för diffraktiva optiska neurala nätverk.

En av de viktigaste förbättringarna som diskuteras i tidningen, "Klassspecifik differentialdetektion i diffraktiva optiska neurala nätverk förbättrar slutledningsnoggrannheten, " innehåller ett differentialdetektionsschema kombinerat med en uppsättning parallellt fungerande diffraktiva optiska nätverk, där varje enskilt nätverk i denna uppsättning är specialiserat för att specifikt känna igen en undergrupp av objektklasser.

Enligt SPIE Fellow Aydogan Ozcan vid University of California, Los Angeles, och en av tidningens författare, dessa resultat "ger ett stort framsteg för att tillhandahålla optiska neurala nätverksbaserade lösningar med låg effekt och låg latens för olika maskininlärningstillämpningar."

Denna senaste forskning är ett betydande framsteg till Ozcans optiska maskininlärningsramverk:Tekniken är särskilt viktig för att identifiera målobjekt snabbare och med betydligt mindre kraft än vanliga datorbaserade maskininlärningssystem. I sista hand, det kan ge stora fördelar för autonoma fordon, robotik och olika försvarsrelaterade applikationer, bland andra.

Dessa senaste systematiska framsteg inom diffraktiva optiska nätverksdesigner har potential att främja utvecklingen av nästa generations, uppgiftsspecifik, och intelligenta beräkningskamerasystem.