La rete neurale profonda diffrattiva è un framework di apprendimento automatico ottico che unisce l'apprendimento profondo con la diffrazione ottica e l'interazione luce-materia per progettare superfici diffrattive che eseguono collettivamente il calcolo ottico alla velocità della luce. Una rete neurale diffrattiva viene prima progettata in un computer utilizzando tecniche di deep learning, seguita dalla fabbricazione fisica degli strati progettati della rete neurale utilizzando ad es. Stampa 3D o litografia. Poiché la connessione tra i piani di input e output di una rete neurale diffrattiva viene stabilita tramite diffrazione della luce attraverso strati passivi, il processo di inferenza e il calcolo ottico associato non consumano energia se non la luce utilizzata per illuminare l'oggetto di interesse.

Sviluppato dai ricercatori dell'UCLA, le reti ottiche diffrattive forniscono una bassa potenza, piattaforma di machine learning a bassa latenza e altamente scalabile che può trovare numerose applicazioni in robotica, veicoli autonomi, industria della difesa, tra molti altri. Oltre a fornire inferenza statistica e generalizzazione a classi di dati, le reti neurali diffrattive sono state utilizzate anche per progettare sistemi ottici deterministici come un sistema di imaging sottile.

In queste precedenti manifestazioni, sono stati sviluppati modelli di reti diffrattive per elaborare le informazioni attraverso una singola lunghezza d'onda e quindi richiedevano una sorgente di illuminazione monocromatica e coerente, a differenza ad esempio della luce ambientale che è incoerente e composta da un continuum di lunghezze d'onda, rendendolo a banda larga. Affrontando questa limitazione, I ricercatori dell'UCLA hanno progettato reti diffrattive in grado di elaborare le informazioni utilizzando un continuum di lunghezze d'onda, espandendo questo quadro di calcolo completamente ottico in segnali ottici a banda larga. Pubblicato in Luce:scienza e applicazioni , I ricercatori dell'UCLA hanno dimostrato il successo di questa nuova struttura creando una serie di componenti ottici che filtrano la luce in ingresso a banda larga nelle sottobande desiderate. Questi sistemi diffrattivi basati sull'apprendimento profondo controllano anche la posizione precisa di ciascuna banda di radiazione filtrata sul piano di uscita, dimostrando il demultiplexing spaziale della lunghezza d'onda in terahertz (THz) parte dello spettro elettromagnetico.

Dopo la loro progettazione in un computer, queste reti diffrattive a banda larga sono state fabbricate con una stampante 3D e testate utilizzando una sorgente THz pulsata che emette un continuum di lunghezze d'onda tra 60 e 3, 000 micrometri. I risultati sperimentali ottenuti con queste reti diffrattive stampate in 3D hanno mostrato un ottimo accordo con i loro corrispondenti disegni numerici, evidenziando la robustezza sperimentale delle reti ottiche diffrattive a banda larga.

Questa ricerca è stata condotta dal Dr. Aydogan Ozcan, Professore del Cancelliere dell'UCLA di ingegneria elettrica e informatica (ECE) e direttore associato del California NanoSystems Institute (CNSI). Gli altri autori di questo lavoro sono gli studenti laureati Yi Luo, Deniz Mengu, Muhammad Veli, ricercatore post-dottorato Dr. Nezih T. Yardimci, Professore a contratto Dr. Yair Rivenson, così come la professoressa Mona Jarrahi, il tutto con il dipartimento ECE della UCLA.

"L'analisi e l'elaborazione simultanea della luce su molte lunghezze d'onda presentano opportunità uniche per migliorare le capacità di inferenza e generalizzazione delle reti ottiche diffrattive per eseguire attività di apprendimento automatico come il riconoscimento di oggetti completamente ottici, nonché per progettare componenti ottici deterministici e specifici per attività, espandere lo spazio del design ottico oltre l'intuizione umana" ha affermato il Prof. Ozcan.

Questo nuovo metodo è anche ampiamente applicabile a diverse parti dello spettro elettromagnetico, compresa la banda visibile, e quindi, rappresenta una pietra miliare fondamentale per le reti ottiche diffrattive verso il loro utilizzo diffuso nei moderni componenti ottici e nei sistemi di apprendimento automatico, coprendo un'ampia gamma di applicazioni, ad esempio nella robotica, veicoli autonomi e sorveglianza.