O aprendizado profundo é um dos métodos de aprendizado de máquina de crescimento mais rápido que depende de redes neurais artificiais de várias camadas. Tradicionalmente, sistemas de aprendizagem profunda são implementados para serem executados em um computador para aprender digitalmente a representação e abstração de dados, e realizar tarefas avançadas, comparável ou mesmo superior ao desempenho de especialistas humanos. Aplicações recentes de sucesso de aprendizagem profunda incluem análise de imagens médicas, reconhecimento de fala, tradução de linguagem, classificação de imagem, além de abordar tarefas mais específicas, como resolver problemas de imagem inversa.

Em contraste com as implementações tradicionais de aprendizado profundo, em um artigo recente publicado em Ciência , Os pesquisadores da UCLA introduziram um mecanismo físico para implementar o aprendizado profundo usando uma Rede Neural Difrativa Profunda totalmente óptica (D2NN). Esta nova estrutura resulta em estruturas impressas em 3D, projetado por aprendizagem profunda, que foram mostrados para executar com sucesso diferentes tipos de tarefas de classificação e imagem sem o uso de qualquer poder, exceto o feixe de luz de entrada. Esta rede neural profunda totalmente óptica pode realizar, na velocidade da luz, várias funções complexas que as redes neurais baseadas em computador podem implementar, e encontrará aplicações em análise de imagens totalmente óticas, detecção de recursos e classificação de objetos, também permitindo novos designs de câmera e componentes ópticos que podem aprender a executar tarefas exclusivas.

Esta pesquisa foi liderada pelo Dr. Aydogan Ozcan, o professor do chanceler de engenharia elétrica e da computação na UCLA e um professor HHMI do Howard Hughes Medical Institute.

Os autores validaram a eficácia desta abordagem criando redes difrativas impressas em 3D que tiveram sucesso na resolução de problemas de amostra, como a classificação das imagens de dígitos manuscritos (de 0 a 9) e produtos da moda, bem como desempenhando a função de uma lente de imagem no espectro terahertz.

"Usando componentes passivos que são fabricados camada por camada, e conectar essas camadas umas às outras por meio de difração de luz criou uma plataforma totalmente óptica exclusiva para realizar tarefas de aprendizado de máquina na velocidade da luz, "disse o Dr. Ozcan. Ao usar dados de imagem, os autores projetaram dezenas de milhares de pixels em cada camada que, junto com as outras camadas, executar coletivamente a tarefa para a qual a rede foi treinada. Após seu treinamento, que é feito usando um computador, o design é impresso em 3D ou fabricado para formar uma pilha de camadas que usam difração óptica para executar a tarefa aprendida.

Além das tarefas de classificação de imagens que os autores demonstraram usando dígitos manuscritos e produtos de moda, esta arquitetura de rede neural difrativa também foi usada para projetar uma lente multicamadas que opera em espectro terahertz, criar uma imagem de um objeto de entrada arbitrário na saída da rede, sem qualquer compreensão das leis físicas associadas à formação da imagem. Tal projeto foi criado usando apenas dados de imagem que foram usados ​​para treinar os valores de pixel em diferentes camadas para formar um sistema de imagem na forma de uma rede difrativa.

Este trabalho de prova de conceito destaca algumas oportunidades únicas que a aprendizagem profunda permite para o design de componentes ópticos com base em dados de imagem, em vez de princípios físicos ou intuição de engenharia. Com base nesta nova abordagem, componentes ópticos mais avançados podem ser projetados com base em dados, potencialmente superando o desempenho de componentes tradicionais.

Os outros autores deste trabalho, todos da Escola de Engenharia UCLA Samueli, incluem acadêmicos de pós-doutorado Xing Lin; Yair Rivenson, e Nezih T. Yardimci; estudantes de graduação Muhammed Veli e Yi Luo; e Mona Jarrahi, Professor de Engenharia Elétrica e da Computação da UCLA.

Este trabalho foi apoiado pela NSF e HHMI.