使用空间不相干衍射光学网络执行复值线性变换

最先进的神经网络中的大部分计算包括线性运算，例如矩阵向量乘法和卷积。线性运算在密码学中也可以发挥重要作用。虽然GPU和TPU等专用处理器可用于执行高度并行的线性运算，但这些设备耗电很大，而且电子设备的低带宽仍然限制了它们的运算速度。光学由于其固有的并行性以及大带宽和计算速度而更适合此类操作。

衍射深度神经网络(D2NN)(也称为衍射网络)由一组空间工程薄表面构建而成，形成了一种最近新兴的光学计算架构，能够以光传播速度通过超薄表面被动执行计算任务。体积。

这些特定任务的全光学计算机是通过学习其组成衍射表面的空间特征来数字化设计的。在这一一次性设计过程之后，优化的表面被制造和组装以形成衍射光学网络的物理硬件。

由加州大学洛杉矶分校校长教授兼Volgenau工程创新主席AydoganOzcan领导的研究小组在《AdvancedPhotonicsNexus》上发表的论文中介绍了一种在空间不相干照明下利用衍射网络执行复值线性运算的方法。

该小组之前已经证明，具有足够自由度的衍射网络可以利用空间相干光执行任意复值线性变换，且误差可以忽略不计。

相反，对于空间不相干光，如果定义变换的矩阵元素是实数且非负的，这些网络可以对输入光强度执行任意线性变换。鉴于空间不相干照明源更加普遍且更容易访问，越来越需要空间不相干衍射处理器来处理非负值之外的数据。

通过结合预处理和后处理步骤，用一组非负实数表示复数，加州大学洛杉矶分校的研究人员将空间不相干衍射网络的处理能力扩展到了复数领域。

他们证明，如果设计中有足够数量的可优化纯相位衍射特征，则这种非相干衍射处理器可以设计为执行任意复值线性变换，且误差可以忽略不计，并且随输入和输出复数的尺寸而缩放向量空间。

研究人员通过使用空间不相干衍射网络对复杂值图像进行加密和解密，展示了这种新颖方案的应用。除了视觉图像加密之外，这种空间不相干衍射处理器也可用于其他应用，例如在自动驾驶车辆中对自然场景进行超快速和低功耗处理。