Il deep learning è uno dei metodi di machine learning in più rapida crescita che si basa su reti neurali artificiali multistrato. Tradizionalmente, i sistemi di deep learning sono implementati per essere eseguiti su un computer per apprendere digitalmente la rappresentazione e l'astrazione dei dati, ed eseguire compiti avanzati, paragonabile o addirittura superiore alle prestazioni degli esperti umani. Le recenti applicazioni di successo del deep learning includono l'analisi delle immagini mediche, riconoscimento vocale, traduzione in lingua, classificazione delle immagini, oltre ad affrontare compiti più specifici, come risolvere problemi di imaging inverso.

In contrasto con le tradizionali implementazioni del deep learning, in un recente articolo pubblicato su Scienza , I ricercatori dell'UCLA hanno introdotto un meccanismo fisico per implementare l'apprendimento profondo utilizzando una rete neurale profonda diffrattiva completamente ottica (D2NN). Questa nuova struttura si traduce in strutture stampate in 3D, progettato da deep learning, che hanno dimostrato di eseguire con successo diversi tipi di attività di classificazione e imaging senza l'uso di alcun potere, tranne il raggio di luce in ingresso. Questa rete neurale profonda completamente ottica può eseguire, alla velocità della luce, varie funzioni complesse che le reti neurali basate su computer possono implementare, e troverà applicazioni nell'analisi di immagini completamente ottiche, rilevamento delle caratteristiche e classificazione degli oggetti, consentendo anche nuovi design di fotocamere e componenti ottici che possono imparare a svolgere compiti unici.

Questa ricerca è stata condotta dal Dr. Aydogan Ozcan, il Professore del Cancelliere di ingegneria elettrica e informatica presso l'UCLA e un Professore HHMI presso l'Howard Hughes Medical Institute.

Gli autori hanno convalidato l'efficacia di questo approccio creando reti diffrattive stampate in 3D che hanno avuto successo nel risolvere problemi di esempio, come la classificazione delle immagini di cifre scritte a mano (da 0 a 9) e prodotti di moda oltre a svolgere la funzione di una lente di imaging a spettro terahertz.

"Utilizzando componenti passivi fabbricati strato per strato, e collegando questi strati l'uno all'altro tramite la diffrazione della luce ha creato una piattaforma completamente ottica unica per eseguire attività di apprendimento automatico alla velocità della luce, " ha detto il dottor Ozcan. Utilizzando i dati delle immagini, gli autori hanno progettato decine di migliaia di pixel in ogni livello che, insieme agli altri strati, svolgere collettivamente il compito per cui la rete è stata addestrata. Dopo la sua formazione, che viene fatto usando un computer, il design è stampato in 3D o fabbricato per formare una pila di strati che utilizzano la diffrazione ottica per eseguire il compito appreso.

Oltre alle attività di classificazione delle immagini che gli autori hanno dimostrato utilizzando cifre scritte a mano e prodotti di moda, questa architettura di rete neurale diffrattiva è stata utilizzata anche per progettare una lente multistrato che opera a spettro terahertz, creare un'immagine di un oggetto di input arbitrario all'uscita della rete, senza alcuna comprensione delle leggi fisiche associate alla formazione dell'immagine. Tale progetto è stato creato utilizzando solo dati di immagine che sono stati utilizzati per addestrare i valori dei pixel su diversi livelli per formare un sistema di imaging sotto forma di rete diffrattiva.

Questo lavoro di prova del concetto evidenzia alcune opportunità uniche che il deep learning consente per la progettazione di componenti ottici sulla base di dati di immagine, piuttosto che principi fisici o intuizioni ingegneristiche. Sulla base di questo nuovo approccio, componenti ottici più avanzati possono essere progettati in base ai dati, potenzialmente superando le prestazioni dei componenti tradizionali.

Gli altri autori di questo lavoro, tutti dalla Scuola di Ingegneria UCLA Samueli, includere studiosi post-dottorato Xing Lin; Yair Rivenson, e  Nezih T. Yardimci; studenti laureati Muhammed Veli e Yi Luo; e Mona Jarrahi, Professore UCLA di ingegneria elettrica e informatica.

Questo lavoro è stato supportato da NSF e HHMI.