Diffraktivt djupt neuralt nätverk är ett ramverk för optisk maskininlärning som blandar djupt lärande med optisk diffraktion och ljus-materia-interaktion för att konstruera diffraktiva ytor som kollektivt utför optisk beräkning med ljusets hastighet. Ett diffraktivt neuralt nätverk designas först i en dator med djupinlärningsteknik, följt av den fysiska tillverkningen av de designade skikten i det neurala nätverket med hjälp av t.ex. 3D-utskrift eller litografi. Eftersom anslutningen mellan in- och utgångsplanen i ett diffraktivt neuralt nätverk upprättas via diffraktion av ljus genom passiva lager, inferensprocessen och den tillhörande optiska beräkningen förbrukar ingen ström utom ljuset som används för att belysa objektet av intresse.

Utvecklad av forskare vid UCLA, diffraktiva optiska nät ger låg effekt, låg latens och mycket skalbar maskininlärningsplattform som kan hitta många applikationer inom robotik, autonoma fordon, försvarsindustrin, bland många andra. Förutom att tillhandahålla statistisk slutsats och generalisering till dataklasser, diffraktiva neurala nätverk har också använts för att designa deterministiska optiska system såsom ett tunt bildsystem.

I dessa tidigare demonstrationer, diffraktiva nätverksmodeller utvecklades för att behandla information genom en enda våglängd och krävde därför en monokromatisk och koherent belysningskälla, till skillnad från till exempel det omgivande ljuset som är osammanhängande och består av ett kontinuum av våglängder, gör det till bredband. Hanterar denna begränsning, UCLA -forskare har utformat diffraktiva nätverk som kan bearbeta information med hjälp av ett kontinuum av våglängder, att expandera detta helt optiska beräkningsramverk till bredbandsoptiska signaler. Publicerad i Ljus:Vetenskap och applikationer , UCLA-forskare visade framgången för detta nya ramverk genom att skapa en serie optiska komponenter som filtrerar bredbandsinmatningsljus till önskade delband. Dessa djupinlärningsbaserade diffraktiva system styr också den exakta platsen för varje filtrerat strålningsband vid utgångsplanet, demonstrerar rymdstyrd våglängd de-multiplexing i terahertz (THz) del av det elektromagnetiska spektrumet.

Efter designen i en dator, dessa bredbandsdiffraktiva nätverk tillverkades med en 3D-skrivare och testades med en pulserad THz-källa som avger ett kontinuum av våglängder mellan 60 och 3, 000 mikrometer. De experimentella resultaten som erhållits med dessa 3D-tryckta diffraktiva nätverk visade mycket bra överensstämmelse med motsvarande numeriska mönster, betonar den experimentella robustheten hos bredbandsdiffraktiva optiska nätverk.

Denna forskning leddes av Dr Aydogan Ozcan, UCLA kanslers professor i el- och datateknik (ECE) och biträdande chef för California NanoSystems Institute (CNSI). De andra författarna till detta arbete är forskarstuderande Yi Luo, Deniz Mengu, Muhammed Veli, postdoktoral forskare Dr Nezih T. Yardimci, Adjungerad professor Dr. Yair Rivenson, liksom professor Mona Jarrahi, alla med ECE -avdelningen vid UCLA.

"Samtidigt ger analys och bearbetning av ljus över många våglängder unika möjligheter att förbättra inferens- och generaliseringsförmågan hos diffraktiva optiska nätverk för att utföra maskininlärningsuppgifter, såsom alloptisk objektigenkänning, liksom att designa deterministiska och uppgiftsspecifika optiska komponenter, expandera det optiska designutrymmet bortom den mänskliga intuitionen ", säger professor Ozcan.

Denna nya metod är också i stort sett tillämplig på olika delar av det elektromagnetiska spektrumet, inklusive det synliga bandet, och sålunda, representerar en kritisk milstolpe för diffraktiva optiska nätverk mot deras utbredda användning i moderna optiska komponenter och maskininlärningssystem, täcker ett brett spektrum av applikationer inom till exempel robotik, autonoma fordon och övervakning.