全新设计显著提升光学神经网络性能

深度衍射神经网络是一种在人工设计的衍射表面上完成计算的光学机器学习平台。它可通过最新深度学习算法进行全自动设计，随后便能使用三维打印或掩模光刻等手段进行批量制造。这种经算法设计的三维结构由若干光学透射或反射表面构成，并可依次作用于入射光，从而以光速完成机器学习的计算任务。此类架构不需要除照明光之外的能量，对于提高当今深度学习框架的运算速度，同时降低能量消耗有着显著意义。与此同时，深度衍射神经网络很可能为自动驾驶、安防等相关领域的相机设计带来重大突破。

加州大学洛杉矶分校的研究人员们首先通过图像分类和相干光成像的实验检验[1]，证明了这一平台的计算潜力。随后，通过耦合光学神经网络和常见的深度学习网络模型提升了该平台的性能[2]。

微分衍射光学神经网络的工作原理

该研究最重要的创新点在于使用了差分的测量方法：每一种类别的预测都由一对光电探测器测量值的差给出，从而将负值引入到光学探测器的测量值中。拥有最大归一化差值的一对探测器所代表的类别即被预测为分类结果（例如飞机，汽车，船舶等）。除此之外，得益于光学计算的并行能力，入射光还可分成若干平行光路，从而使每一个差分光学神经网络可以分解成若干负责特定类别识别的子网络，且不引入新的电子计算负担。

这些新的设计方法将光学神经网络的性能提升到了前所未有的高度。使用差分衍射光学神经网络进行仿真训练的结果显示，其盲测准确率已经接近甚至超过一些早期深度神经网络（如LeNet）的表现。尽管光学神经网络的表现距离近期提出的一些神经网络架构（例如残差神经网络ResNet）还有一定的差距，但值得注意的是，光学神经网络拥有可达光速的计算速度、高度并行的运算能力、可扩展性以及超低的功耗性能比，这些优点都是数字神经网络所望尘莫及的。

该研究由加州大学洛杉矶分校（UCLA）电子与计算机工程系教授、加州纳米系统研究院（CNSI）副主任Aydogan Ozcan主导。其他作者还包括研究生Jingxi Li， Deniz Mengu，Yi Luo和加州大学洛杉矶分校电子与计算机工程系兼职教授Yair Rivenson。

Ozcan教授表示，这项成果体现了将光学应用于机器学习中所带来的低能耗、低延迟的优势。同时，差分光学衍射神经网络的优势可能推进下一代智能计算相机的设计进程。

该研究由科奇公司，美国国家科学基金委和美国霍华德休斯医学研究所赞助。

参考文献：

[1] All-Optical Machine Learning Using Diffractive Deep Neural Networks, ScienceDOI: 10.1126/science.aat8084(2018).

[2] Analysis of Diffractive Optical Neural Networks and Their Integration with Electronic Neural Networks, IEEE Journal of Selected Topics in Quantum ElectronicsDOI: 10.1109/JSTQE.2019.2921376(2019).

End