Appl. Phys. Rev. | 衍射深度神经网络原理、优化及应用
光学神经网络(ONN)是一种采用光学元器件实现信息处理和计算的神经网络系统。与传统的电子神经网络相比，ONN具有更快的计算速度、更低的运行能耗，有望解决现阶段电子神经网络面临的算力与能耗瓶颈。
衍射深度神经网络（D²NN）作为ONN的一个重要分支，采用经过训练的衍射元件对光信号进行调制和计算。由于D²NN拥有大规模运算的优势，可以并行处理多个任务并减少数据处理延迟，是未来光学计算应用的一项前景广阔的技术。
近日，湖南大学胡跃强副教授、段辉高教授团队以“Diffractive deep neural neTWorks: Theories, optimization, and applications”为题在Applied Physics Reviews上发表综述论文，回顾了D²NN的最新进展，详细讨论了 D²NN 的理论基础、模型优化和应用场景，最后概述了D²NN未来的展望与挑战。该文章受到国家科技部重点研发计划、国家自然科学基金委、湖湘青年英才项目、湖南省优青项目等项目的资助。
图1：各类 D²NN的概述
D²NN的理论架构及优化
基于惠更斯-菲涅尔原理与密集神经网络架构之间的同构关系，科研人员利用深度神经网络的计算能力来模拟波的传播，从而创建了 D²NN。D²NN 由多个透射和或反射衍射层组成，利用光与物质之间的相互作用来共同调制输入光信号，从而产生所需的输出场。它们可以直接获取物体的二维或三维输入信号，并处理由输入光的振幅、相位、光谱和偏振编码的光学信息。D²NN 具有结构紧凑、处理复杂度低、计算能力强等优点，经训练后可利用微纳加工技术进行制造，从而成为光学计算领域的一个焦点。因此，研究人员对 D²NN 进行理论研究，并在推理和泛化能力的优化、非线性激活函数、多路复用技术、动态可重构、片上集成和非相干光源等优化方面取得了重要的突破。
D²NN 的应用
人工智能的最新进展为光学领域的众多问题提供了创新解决方案。在机器学习和光学的交汇点，D²NN 将衍射光学和深度学习结合起来，通过设计特定任务的元素来执行各种光学任务。D²NN 已在图像识别、光束整形、逻辑运算、通信工程和图像重建等领域展现出令人印象深刻的能力。
总结与展望
与其他类型的ONN相比，D²NN具有大规模运算的优势，极大提升了神经网络的计算性能，在众多领域已经显示出其架构的优越性，有望解决传统电子神经网络所面临的瓶颈。目前，相关研究仍处于探索阶段，需要攻克一些关键的技术难题。当相关难题被解决后，D²NN的基础研究和产业布局都将迎来重大的突破。
论文信息
Haijia Chen, Shaozhen Lou, Quan Wang, Peifeng Huang, Huigao Duan, Yueqiang Hu*; Diffractive deep neural networks: Theories, optimization, and applications. Appl. Phys. Rev. 1 June 2024; 11 (2): 021332.
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间联系我们，我们将协调进行处理，最终解释权归旭为光电所有。
