All-optische diffraktive neuronalen Netzwerk schließt die performance-Lücke mit elektronischen neuronalen Netzen

Ein neues Papier in Advanced Photonics“, ein open-access-journal co-herausgegeben von der SPIE, der internationalen Gesellschaft für Optik und Photonik, und der chinesischen Laser-Presse (CLP), zeigt deutliche Verbesserungen der Aussagekraft und generalisierbarkeit Leistung diffraktive optische neuronale Netze.

Eine der wichtigsten Verbesserungen diskutiert in der Zeitung „Klassen-spezifische differentielle Erkennung im diffraktive optische neuronale Netze verbessert Inferenz Genauigkeit,“ beinhaltet a differential detection scheme, kombiniert mit einem Satz von parallel-Betrieb diffraktiven optischen Netzwerken, in der jeder einzelne Netzwerk-dieses set ist darauf spezialisiert, insbesondere erkennen einer sub-Gruppe von Objekt-Klassen.

Entsprechend SPIE-Fellow Aydogan Ozcan von der University of California, Los Angeles, und einer der Papier der Autoren, diese Ergebnisse „bieten einen großen Fortschritt zu bringen, optische neuronale Netzwerk-basierten low-power und low-latency-Lösungen für die verschiedenen machine-learning-Anwendungen.“

Diese neueste Forschung ist ein bedeutender Fortschritt, um Ozcan ‚ s optical machine-learning-framework: die überlistung dieser Technologie ist besonders bedeutsam für die Anerkennung Zielobjekte schneller und mit deutlich weniger Energie als standard-computer-basierte machine-learning-Systeme. Letztlich kann es viele Vorteile bieten für autonome Fahrzeuge, Robotik und verschiedene Abwehr-Anwendungen, unter anderem.

Diese neueste systematische Fortschritte, diffraktive optische Netzwerk-designs, insbesondere, haben das potential, die Entwicklung voranzutreiben von next-generation-Aufgabe-spezifische, intelligente rechnerische Kamera-Systeme.