Ozcan 研究团队提高了全光学衍射神经网络的推理精度

来自加州大学洛杉矶分校的Aydogan Ozcan教授实验室的科学家证明了衍射光学神经网络的推理和泛化性能的明显改进。研究人员展示了一种差分检测方案，在衍射光学网络后面，其中每个类别被分配到一对独立的光电探测器。通过最大化光电探测器对之间的归一化信号差异来进行类推断。使用该方案，其中涉及10个衍射层后面的10个光电探测器对，总共有20万个神经元，研究人员对MNIST，Fashion-MNIST和灰度CIFAR-10数据设置的盲测测试精度分别为98.54％，90.54％和48.51％。

微分衍射光学神经网络的工作原理。由于衍射光学神经网络使用相干照射进行操作，因此输入平面的相位和/或幅度通道可用于表示信息。由SPIE提供。

研究人员通过将光路分成两个并行工作的衍射神经网络，减少了每类正负探测器之间的串扰和光信号耦合。使用这种并行化方法，他们将目标数据集中的各个类划分为多个并行工作的衍射神经网络。在并行运行的联合优化衍射神经网络中使用特定类别的差分检测，该团队分别对MNIST，Fashion-MNIST和灰度CIFAR-10的模拟数据集的盲测测试精度分别为98.52％，91.48％和50.82％，接近前几代全电子深度神经网络的性能。

此外，研究人员独立优化了多个衍射网络，并以类似于机器学习中使用集成方法的方式使用它们。衍射光学神经网络技术的进步可以使神经网络比标准的基于计算机的机器学习系统更快速地识别目标物体并且功率显著降低。最终，这可以为自动驾驶汽车、机器人和国防应用提供有利条件。研究人员认为，这些最新的系统性进展，尤其是衍射光学网络设计，有可能推动下一代特定任务智能计算相机系统的发展。