衍射網絡提高了光學圖像分類的準確性

最近，人們對與人工智能相關的應用的光學計算平臺重新產生了興趣。由于光學信息處理的高速，大帶寬和高互連性，光學非常適合于實現神經網絡模型。由UCLA研究人員介紹的衍射深層神經網絡(D 2 NN )構成了這樣一種光學計算框架，包括連續的透射和/或反射衍射表面，可以通過光-物質相互作用來處理輸入信息。這些表面是使用計算機中的標準深度學習技術設計的，然后進行制造和組裝以構建物理光網絡。通過在太赫茲波長下進行的實驗，D 2的能力演示了將神經網絡全對象分類的方法。除了對象分類，還證明了D 2 NN在執行各種光學設計和計算任務(包括例如光譜過濾，光譜信息編碼和光脈沖整形)方面的成功。

UCLA團隊在《光：科學與應用》發表的最新論文中報告了D 2的跨越式發展。通過集成學習，基于神經網絡的圖像分類精度。通過英國哲學家和統計學家弗朗西斯·加爾頓爵士(1822-1911)的實驗，可以直觀地理解其方法成功的關鍵要素，他在參觀牲畜交易會時要求參與者猜測牛的重量。 。數百名參與者中沒有一個成功地猜測出體重。但是令他驚訝的是，高爾頓發現所有猜測的中位數都非常接近-1207磅，準確度在1198磅真實重量的1%以內。該實驗揭示了組合許多預測以獲得更準確的預測的能力。集成學習在機器學習中體現了這一思想，在機器學習中，通過組合多個模型可以提高預測性能。

在他們的計劃中，加州大學洛杉磯分校的研究人員報告了一個由多個并行運行的D 2 NN組成的集合體，每個集合都通過使用各種濾波器對輸入進行光學過濾而經過單獨訓練和多樣化。1252 D 2 NN以這種方式進行了獨特設計，形成了初始網絡池，然后使用迭代修剪算法對其進行了修剪，因此所得到的物理集合不會過大。最終預測來自集合中所有組成D 2 NN決策的加權平均值。研究人員評估了所得D 2的性能NN集成在CIFAR-10圖像數據集上，該數據集包含分類為10類的60,000張自然圖像，并且是用于基準化各種機器學習算法的廣泛使用的數據集。他們所設計的集成系統的仿真表明，衍射光網絡可以從“人群的智慧”中大大受益。例如，在14個單獨訓練的D 2 NN的合奏中，研究人員在CIFAR-10數據集上實現了61.21%的盲測準確度，比單個D 2 NN的平均準確度高出約16%。

這項研究由加州大學洛杉磯分校電氣和計算機工程系的Aydogan Ozcan教授領導。D 2 NN集成實現的顯著改善的推理和泛化性能標志著縮小光學神經網絡與數字神經網絡之間的差距的重大進步。連同納米級光學系統制造和組裝方面的進步，提出的框架有望為各種應用提供微型化，超快速的機器學習解決方案，例如全光學對象分類，基于衍射的光學計算硬件以及計算成像任務。