利用深度学习神经网络处理光信号

2019年12月04日由 KING 发表 172658 0

衍射深度神经网络是一种光学机器学习框架，将深度学习、光学衍射、光与物质的相互作用融合在一起，设计出可以以光速共同执行光学计算的衍射表面。首先使用深度学习技术在计算机中设计衍射神经网络，然后使用例如3D打印或光刻技术对神经网络的设计层进行物理制造。由于衍射神经网络的输入和输出平面之间的连接是通过穿过无源层的光的衍射建立的，因此推理过程和相关的光学计算不会消耗任何功率，除了用于照亮特殊对象的光。

由加州大学洛杉矶分校的研究人员开发的衍射光网络提供了一种低功耗、低延迟和高度可扩展的机器学习平台，可以在机器人技术，自动驾驶汽车，国防工业等众多领域发挥作用。除了提供统计推断和对数据类别的概括外，衍射神经网络也已用于设计确定性光学系统，例如薄成像系统。一般来说，开发衍射网络模型是为了处理单个波长的信息，因此需要单色和相干的照明源，这与非相干且由连续的波长组成的环境光不同，从而使其成为宽带。为了解决这一局限性，加州大学洛杉矶分校的研究人员设计了可以使用连续波长处理信息的衍射网络，从而将这种全光计算框架扩展为宽带光信号。他们把研究成果发表在《光：科学与应用》上，通过创建一系列将宽带输入光过滤成所需子带的光学组件，证明了这一新框架的成功。这些深度学习的衍射系统还控制输出平面上辐射的每个滤波带的精确位置，从而证明了电磁频谱的太赫兹（THz）部分的空间控制波长解复用。

在计算机中进行设计之后，这些宽带衍射网络是使用3-D打印机制造的，并使用脉冲THz光源进行了测试，该光源发射的连续波长在60到3000微米之间。用这些3D打印的衍射网络获得的实验结果与它们相应的数值设计非常吻合，突出了宽带衍射光学网络的实验鲁棒性。同时分析和处理多种波长的光为增强衍射光网络的推理和泛化能力提供了机会，以执行机器学习任务，例如全光学对象识别，以及设计确定性和任务特定的光学组件，从而扩大超越人类直觉的光学设计空间。

这种新方法还广泛适用于电磁波谱的不同部分，包括可见光波段，因此，是衍射光网络在现代光学组件和机器学习系统中得到广泛应用的一个重要里程碑，在机器人技术，自动驾驶汽车和监控等领域都能发挥其作用。

标签：

机器学习深度学习神经网络

0 评论

欢迎关注ATYUN官方公众号

商务合作及内容投稿请联系邮箱:bd@atyun.com

上一篇机器学习可稳定同步加速器光束

下一篇 OpenAI发布Procgen Benchmark，防止AI模型过度拟合

评论登录

要发表评论，您必须先登录。

jonatasgrosman/wav2vec2-large-xlsr-53-english facebook/dino-vitb16 bert-base-uncased xlm-roberta-large xlm-roberta-base gpt2 microsoft/resnet-50 facebook/dino-vits8

Sam Altman离职事件时间线