La rete neurale profonda diffrattiva è un framework di apprendimento automatico ottico che utilizza superfici diffrattive e materia ingegnerizzata per eseguire tutti i calcoli otticamente. Dopo la sua progettazione e formazione in un computer utilizzando moderni metodi di deep learning, ogni rete è fabbricata fisicamente, utilizzando ad esempio la stampa 3D o la litografia, per ingegnerizzare il modello di rete addestrato nella materia. Questa struttura 3-D di materia ingegnerizzata è composta da superfici trasmissive e/o riflettenti che svolgono insieme compiti di apprendimento automatico attraverso l'interazione luce-materia e la diffrazione ottica, alla velocità della luce, e senza bisogno di alcun potere, ad eccezione della luce che illumina l'oggetto in ingresso. Ciò è particolarmente significativo per riconoscere gli oggetti di destinazione molto più velocemente e con una potenza significativamente inferiore rispetto ai sistemi di apprendimento automatico basati su computer standard, e potrebbe fornire importanti vantaggi per i veicoli autonomi e varie applicazioni relative alla difesa, tra gli altri. Introdotto dai ricercatori dell'UCLA [1], questo quadro è stato convalidato sperimentalmente per la classificazione e l'imaging degli oggetti, fornendo un quadro di calcolo ottico scalabile ed efficiente dal punto di vista energetico. Nella ricerca successiva, Gli ingegneri dell'UCLA hanno ulteriormente migliorato le prestazioni di inferenza delle reti neurali ottiche diffrattive integrandole con le reti neurali profonde digitali standard, formazione di modelli ibridi di apprendimento automatico che eseguono calcoli utilizzando in parte la diffrazione della luce attraverso la materia e in parte utilizzando un computer [2].

Nel loro ultimo lavoro, [3] pubblicato in Fotonica avanzata , una rivista ad accesso aperto di SPIE, la società internazionale di ottica e fotonica, il gruppo UCLA ha sfruttato appieno la capacità di parallelizzazione intrinseca dell'ottica, e migliorato significativamente le prestazioni di inferenza e generalizzazione delle reti neurali ottiche diffrattive (vedi la figura), contribuendo a colmare il divario tra reti neurali elettroniche completamente ottiche e standard. Uno dei miglioramenti chiave ha incorporato uno schema di rilevamento differenziale, dove ogni punteggio di classe sul piano di uscita della rete ottica viene calcolato utilizzando due diversi rilevatori, uno che rappresenta i numeri positivi e l'altro che rappresenta i numeri negativi. La classe di oggetti corretta (ad esempio automobili, aeroplani, navi, ecc.) è dedotto dalla coppia di rivelatori che ha la maggiore differenza normalizzata tra i rivelatori positivi e negativi. Questo schema di rilevamento differenziale è anche combinato con reti ottiche diffrattive parallele, dove ognuno è specializzato per riconoscere in modo specifico un sottogruppo di classi di oggetti. Questo progetto di rete diffrattivo specifico per classe beneficia in modo significativo del parallelismo e della scalabilità dei sistemi ottici, formare percorsi di luce paralleli all'interno di materia ingegnerizzata 3D per calcolare separatamente i punteggi di classe di diversi tipi di oggetti.

Queste nuove strategie di progettazione hanno raggiunto livelli senza precedenti di accuratezza dell'inferenza per l'apprendimento automatico basato su reti neurali completamente ottiche. Per esempio, in una implementazione i ricercatori dell'UCLA hanno dimostrato numericamente un'accuratezza dei test alla cieca del 98,59%, 91,06% e 51,44% per il riconoscimento delle immagini di cifre scritte a mano, prodotti di moda, e CIFAR-10 set di dati di immagini in scala di grigi (composto da aeroplani, macchine, uccelli, gatti, Cervo, cani, rane, cavalli, navi, e camion), rispettivamente [3]. Per confronto, questi risultati di inferenza si avvicinano alle prestazioni di alcune delle generazioni precedenti di reti neurali profonde completamente elettroniche, Per esempio, LeNet, che raggiunge precisioni di classificazione del 98,77%, 90,27%, e il 55,21% corrispondente agli stessi set di dati, rispettivamente. Progetti più recenti di reti neurali elettroniche, come ResNet, ottenere prestazioni molto migliori, ancora lasciando un divario tra le prestazioni delle reti neurali completamente ottiche ed elettroniche. questo divario, però, è bilanciato da importanti vantaggi forniti dalle reti neurali completamente ottiche, come la velocità di inferenza, scalabilità, parallelismo e il requisito di bassa potenza delle reti ottiche passive che utilizzano la materia ingegnerizzata per calcolare attraverso la diffrazione della luce.

Questa ricerca è stata guidata dal Dr. Aydogan Ozcan, professore di ingegneria elettrica e informatica presso l'UCLA, e direttore associato del California NanoSystems Institute (CNSI). Gli altri autori di questo lavoro sono studenti laureati Jingxi Li, Deniz Mengu e Yi Luo, così come il dottor Yair Rivenson, professore a contratto di Ingegneria Elettrica e Informatica presso la UCLA.

"I nostri risultati forniscono un importante progresso per portare soluzioni a bassa potenza e bassa latenza basate su reti neurali ottiche per varie applicazioni di apprendimento automatico, " ha detto il prof. Ozcan. Inoltre, questi progressi sistematici nei progetti di reti ottiche diffrattive potrebbero portarci un passo più vicino allo sviluppo della prossima generazione, sistemi di telecamere computazionali intelligenti e specifici per attività.

Questa ricerca è stata supportata dal Gruppo Koç, NSF e HHMI.