使用体积全息光学元素的波面偏差耐受的衍射深度神经网络

科学领域:

• 光学和光子学 在光学和光子学.
• 人工智能的人工智能
• 计算科学 计算科学

背景情况:

• 人工智能计算性能需求的增加推动了对新型计算架构的研究.
• 衍射深度神经网络 (D2NN) 通过衍射光学元件 (DOE) 使用光学调制提供高速AI计算.
• 体积全息光学元件 (vHOE) 提供独特的波长和角度选择性,但容易产生制造错误,导致波面偏差.

研究的目的:

• 开发和演示D2NN的培训方法,可以适应未知的波面偏差.
• 用拟议的适应性培训方法评估使用vHOE的D2NN的性能.
• 探索基于vHOE的D2NN在先进光学计算应用中的潜力.

主要方法:

• 提出了一种新的培训方法,使D2NN能够适应未知的波面偏差.
• 在D2NN架构中制造并集成体积全息光学元件 (vHOE).
• 进行了手写数字分类的光学实验,以验证拟议的方法.

主要成果:

• 适应训练方法在光学实验中显著提高了分类准确度,大约提高了58个百分点.
• 使用vHOE展示了一个功能性的D2NN,能够处理复杂的光学偏差.
• 在现实世界的光学实验环境中验证了拟议方法的有效性.

结论:

• 开发的培训方法有效地弥补了基于vHOE的D2NNs中的波面偏差.
• 这项研究为更强大,更准确的光学AI计算系统铺平了道路.
• 这些发现表明,在多波长并行光学计算,生物成像和光通信方面有前途的应用.