Схема дифференциального обнаружения обеспечивает повышение производительности во «всеоптических» дифракционных нейронных сетях

Схема дифференциального обнаружения обеспечивает повышение производительности во «всеоптических» дифракционных нейронных сетях.

Новые стратегии проектирования обеспечивают беспрецедентный уровень точности вывода для полностью оптического нейросетевого машинного обучения.

Новая статья в Advanced Photonics, журнале открытого доступа и опубликованные материалы SPIE и Китайской лазерной прессой, демонстрируют улучшение в производительности вывода и обобщения дифракционных оптических нейронных сетей1 . Такие сети потенциально полезны для эффективного машинного обучения, открывают двери для более дешевых версий многих приложений искусственного интеллекта (ИИ) и машинного и глубокого обучения, которые появляются в цифровом мире.

Одно из ключевых усовершенствований, обсуждаемых в статье, озаглавленной "дифференциальное обнаружение в дифракционных оптических нейронных сетях повышает точность вывода", включает схему дифференциального обнаружения, объединенную с набором параллельно работающих дифракционных оптических сетей, в которых каждая отдельная сеть в наборе специализирована специально для распознавания подгруппы классов объектов. Тот факт, что интенсивность света не может опуститься ниже нуля, ограничивал некоторые операции. Метод дифференциальных измерений обходит это препятствие, чтобы расширить возможности дифракционной оптической нейронной сети.

По словам SPIE Fellow Aydogan Ozcan из Калифорнийского университета в Лос-Анджелесе (UCLA) и одного из авторов статьи, эти результаты "обеспечивают значительное продвижение к созданию оптических нейронных сетей на основе маломощных и low-latency решений для различных приложений машинного обучения." Это последнее исследование является значительным шагом вперед к оптической структуре машинного обучения Ozcan: доработка этой технологии особенно важна для более быстрого распознавания целевых объектов со значительно меньшей мощностью, чем стандартные компьютерные системы машинного обучения. В конечном счете, она может обеспечить главные преимущества для автономных кораблей, робототехники, и различных связанных с обороной применений. Эти последние систематические достижения в области дифракционных оптических сетевых конструкций имеют потенциал для развития следующего поколения, конкретных задач и интеллектуальных вычислительных камерных систем.

Ссылка: 1. Jingxi Li et al., Продвинутая Фотоника , 1(4), 046001 (2019); https://doi.org/10.1117/1.AP.1.4.046001 .

Рисунок: Принципы работы дифференциальной дифракционной оптической нейронной сети. Поскольку дифракционные оптические нейронные сети работают с использованием когерентного освещения, для представления информации могут использоваться фазовые и/или амплитудные каналы входной плоскости.

Источник: John Wallace. With new differential detection scheme, all-optical diffractive neural networks get performance boost // URL: https://www.laserfocusworld.com/optics/article/14038313/with-new-differential-detection-scheme-alloptical-diffractive-neural-networks-get-performance-boost?oly_enc_id=8210A6661590H7S 14/08/2019; https://www.eurekalert.org/pub_releases/2019-08/ssfo-adn081219.php; SPIE.