Optisches Computing zur Objektklassifizierung durch diffusive Zufallsmedien

Die Objekterkennung durch zufällig streuende Medien war eine wichtige, aber herausfordernde Aufgabe in vielen Bereichen, wie z. B. biomedizinische Bildgebung, Ozeanographie, Sicherheit, Robotik und autonomes Fahren. Zahlreiche Computerlösungen wurden entwickelt, um dieses Problem anzugehen. All dies erfordert jedoch umfangreiches digitales Rechnen und verbraucht erhebliche Mengen an Energie, während es immer noch an Verallgemeinerung auf neue zufällige Diffusoren fehlt, die in der Trainingsphase nie verwendet wurden.

Forscher an der UCLA haben kürzlich eine rein optische Methode entwickelt, die es ermöglicht, Objekte durch unbekannte zufällige Diffusoren mit diffraktiven tiefen neuronalen Netzen (D²NN). D²NNs bilden eine optische Freiraum-Computerplattform, die in den letzten Jahren wachsendes Forschungsinteresse auf sich gezogen hat.

D²NNs berechnen eine bestimmte Aufgabe, indem sie die Lichtbeugung durch eine Reihe von räumlich strukturierten Oberflächen modulieren und zusammen einen rein optischen Computer bilden, der mit Lichtgeschwindigkeit arbeiten kann. Ein solches rein optisches Rechengerüst hat die Vorteile von hoher Geschwindigkeit, Parallelität und geringem Stromverbrauch und könnte bei vielen Rechenaufgaben nützlich sein, wie z. B. Objektklassifizierung, quantitative Phasenbildgebung, Mikroskopie, universelle lineare Transformationen usw.

Veröffentlicht in Licht: Wissenschaft & Anwendungenstellte diese Forschungsarbeit mit dem Titel „All-optical image Classification through unknown random diffusers using a single-pixel diffractive network“ eine neue Methode vor, die breitbandige diffraktive Netzwerke verwendet, um unbekannte Objekte durch unbekannte, zufällige Diffusoren unter Verwendung eines Einzelpixel-Spektralspektrums direkt zu klassifizieren Detektor.

Diese breitbandige diffraktive Netzwerkarchitektur verwendet 20 diskrete Wellenlängen, um ein diffusorverzerrtes Objekt in eine spektrale Signatur abzubilden, die durch ein einzelnes Pixel erkannt wird. Während des Trainings wurden viele zufällig generierte Phasendiffusoren verwendet, um die Verallgemeinerungsleistung des diffraktiven optischen Netzwerks zu unterstützen. Nach dem Deep-Learning-basierten Trainingsprozess, der ein einmaliger Aufwand ist, können die resultierenden diffraktiven Schichten physisch hergestellt werden, um ein Einzelpixel-Netzwerk zu bilden, das Objekte klassifiziert, die vollständig von neuen, unbekannten zufälligen Diffusoren verdeckt werden, die während des Trainings nie gesehen wurden.

In ihren Simulationen erkannte dieses Einzelpixel-Breitband-Diffraktivnetzwerk erfolgreich handgeschriebene Ziffern durch zufällig ausgewählte unbekannte Phasendiffusoren mit einer Blindtestgenauigkeit von 87,74 %. Darüber hinaus demonstrierten die Forscher experimentell die Machbarkeit dieses Einzelpixel-Breitbandklassifizierers unter Verwendung eines 3D-gedruckten diffraktiven Netzwerks und eines Terahertz-Zeitbereichs-Spektroskopiesystems. Dieses optische Berechnungsgerüst kann in Bezug auf die Beleuchtungswellenlänge skaliert werden, um in jedem Teil des elektromagnetischen Spektrums zu arbeiten, ohne seine Schichten umzugestalten oder neu zu trainieren.

Die Forschung wurde von Dr. Aydogan Ozcan, Kanzlerprofessor und Volgenau-Lehrstuhl für technische Innovation an der UCLA und HHMI-Professor am Howard Hughes Medical Institute, geleitet. „Diese Arbeit stellt die erste Demonstration einer rein optischen Klassifizierung von Objekten durch zufällige Diffusoren dar, die auf neue unbekannte Diffusoren verallgemeinert wird“, sagte Dr. Ozcan, „und wir glauben, dass diese Forschung einen Einfluss auf die Entwicklung haben wird schneller, effizienter und skalierbarer Objekt-/Bild-Klassifizierungstechnologien durch zufällig verbreitete Medien, die einer Vielzahl von Bereichen zugute kommen könnten, vom Gesundheitswesen und der Biomedizin bis zur Telekommunikation und Luft- und Raumfahrt.“