Huvuddelen av beräkningen i toppmoderna neurala nätverk innefattar linjära operationer, t.ex. matris-vektormultiplikationer och faltningar. Linjära operationer kan också spela en viktig roll i kryptografi. Även om dedikerade processorer som GPU:er och TPU:er är tillgängliga för att utföra mycket parallella linjära operationer, är dessa enheter strömkrävande och elektronikens låga bandbredd begränsar fortfarande deras driftshastighet. Optik är bättre lämpad för sådana operationer på grund av dess inneboende parallellitet och stora bandbredd och beräkningshastighet.
Byggd av en uppsättning rumsligt konstruerade tunna ytor, diffraktiva djupa neurala nätverk (D 2 NN), även känd som diffraktiva nätverk, bildar en nyligen framväxande optisk beräkningsarkitektur som kan utföra beräkningsuppgifter passivt med ljusets hastighet genom en ultratunn volym.
Dessa uppgiftsspecifika helt optiska datorer är designade digitalt genom att lära sig de rumsliga egenskaperna hos deras ingående diffraktiva ytor. Efter denna engångsdesignprocess tillverkas och monteras de optimerade ytorna för att bilda den fysiska hårdvaran i det diffraktiva optiska nätverket.
I deras publicering i Advanced Photonics Nexus , ett team av forskare under ledning av Aydogan Ozcan, kanslerns professor och Volgenau-stolen för teknisk innovation vid UCLA, har introducerat en metod för att utföra komplext värderade linjära operationer med diffraktiva nätverk under rumsligt inkoherent belysning.
Det hade tidigare visat sig av samma grupp att diffraktiva nätverk med tillräckliga frihetsgrader kan utföra godtyckliga komplext värderade linjära transformationer med rumsligt koherent ljus med försumbara fel.
I motsats till detta, med rumsligt inkoherent ljus, kan dessa nätverk utföra godtyckliga linjära transformationer av ingående optiska intensiteter om matriselementen som definierar transformationen är reella och icke-negativa. Med tanke på att spatialt inkoherenta belysningskällor är vanligare och lättare att komma åt, finns det ett växande behov av spatialt inkoherenta diffraktiva processorer för att hantera data utöver bara icke-negativa värden.
Genom att införliva förbearbetnings- och efterbearbetningssteg för att representera komplexa tal med en uppsättning icke-negativa reella tal, har UCLA-forskare utökat processorkraften hos rumsligt inkoherenta diffraktiva nätverk till domänen av komplexa tal.
De visade att sådana inkoherenta diffraktiva processorer kan utformas för att utföra en godtycklig komplext värderad linjär transformation med försumbart fel om det finns ett tillräckligt antal optimerbara fas-endast diffraktiva funktioner inom designen, som skalas med dimensionerna av ingångs- och utgångskomplexet vektorrum.
Forskarna visade upp tillämpningen av detta nya schema via kryptering och dekryptering av komplext värderade bilder med hjälp av rumsligt inkoherenta diffraktiva nätverk. Förutom visuell bildkryptering kan sådana rumsligt inkoherenta diffraktiva processorer också vara användbara i andra applikationer, t.ex. i autonoma fordon för ultrasnabb och lågeffektsbehandling av naturliga scener.
Mer information: Xilin Yang et al, Komplext värderade universella linjära transformationer och bildkryptering med spatialt inkoherenta diffraktiva nätverk, Advanced Photonics Nexus (2024). DOI:10.1117/1.APN.3.1.016010
Tillhandahålls av UCLA Engineering Institute for Technology Advancement
