Aprendizaje automático totalmente óptico utilizando redes neuronales profundas difractivas

Área de la Ciencia:

• Óptica y fotónica
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• Los modelos de aprendizaje profundo sobresalen en tareas de inferencia complejas.
• El aprendizaje profundo tradicional se basa en el cómputo electrónico.
• La computación óptica ofrece potencial para el procesamiento de alta velocidad.

Objetivo del estudio:

• Introducir un mecanismo físico para el aprendizaje automático utilizando una red neuronal profunda difractiva totalmente óptica (D2NN).
• Demostrar la capacidad de la D2NN para realizar varias funciones basadas en diseños de aprendizaje profundo.
• Explorar aplicaciones en el análisis óptico de imágenes y el diseño de componentes.

Principales métodos:

• Diseñó una arquitectura D2NN utilizando capas difractivas pasivas.
• D2NN fabricados impresos en 3D para su validación experimental.
• D2NN probados para la clasificación de imágenes y la funcionalidad de lentes de imagen en el espectro de terahertz.

Principales resultados:

• Clasificación de imágenes implementada con éxito para dígitos escritos a mano y productos de moda.
• Demostró el D2NN como una lente de imagen en el espectro de terahertz.
• Logró la ejecución totalmente óptica de funciones complejas a la velocidad de la luz.

Conclusiones:

• El marco D2NN totalmente óptico ofrece un nuevo paradigma para el aprendizaje automático de alta velocidad.
• Las aplicaciones potenciales incluyen el análisis de imágenes totalmente ópticas, la detección de características y la clasificación de objetos.
• Permite nuevos diseños de cámaras y componentes ópticos con funcionalidades únicas.