Un nuovo giornale in Fotonica avanzata dimostra miglioramenti distinti alle prestazioni di inferenza e generalizzazione delle reti neurali ottiche diffrattive.

Uno dei principali miglioramenti discussi nel documento, "Il rilevamento differenziale specifico per classe nelle reti neurali ottiche diffrattive migliora l'accuratezza dell'inferenza, " incorpora uno schema di rilevamento differenziale combinato con un insieme di reti ottiche diffrattive operanti in parallelo, dove ogni singola rete di questo insieme è specializzata per riconoscere specificamente un sottogruppo di classi di oggetti.

Secondo lo SPIE Fellow Aydogan Ozcan dell'Università della California, Los Angeles, e uno degli autori dell'articolo, questi 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".

Quest'ultima ricerca è un progresso significativo per il framework di apprendimento automatico ottico di Ozcan:la tecnologia è particolarmente significativa per riconoscere gli oggetti target più rapidamente e con una potenza significativamente inferiore rispetto ai sistemi di apprendimento automatico basati su computer standard. In definitiva, può fornire importanti vantaggi per i veicoli autonomi, robotica e varie applicazioni legate alla difesa, tra gli altri.

Questi ultimi progressi sistematici nei progetti di reti ottiche diffrattive hanno il potenziale per far progredire lo sviluppo della prossima generazione, specifico del compito, e sistemi di telecamere computazionali intelligenti.