A rede neural difrativa profunda é uma estrutura de aprendizado de máquina óptica que combina aprendizado profundo com difração óptica e interação luz-matéria para projetar superfícies difrativas que executam coletivamente computação óptica na velocidade da luz. Uma rede neural difrativa é inicialmente projetada em um computador usando técnicas de aprendizado profundo, seguido pela fabricação física das camadas projetadas da rede neural usando, por exemplo, Impressão 3D ou litografia. Uma vez que a conexão entre os planos de entrada e saída de uma rede neural difrativa é estabelecida via difração de luz através de camadas passivas, o processo de inferência e a computação óptica associada não consomem nenhuma energia, exceto a luz usada para iluminar o objeto de interesse.

Desenvolvido por pesquisadores da UCLA, redes ópticas difrativas fornecem um baixo consumo de energia, plataforma de aprendizado de máquina de baixa latência e altamente escalonável que pode encontrar inúmeras aplicações em robótica, veículos autônomos, indústria de defesa, entre muitos outros. Além de fornecer inferência estatística e generalização para classes de dados, redes neurais difrativas também têm sido usadas para projetar sistemas ópticos determinísticos, como um sistema de imagem fina.

Nessas demonstrações anteriores, modelos de redes difrativas foram desenvolvidos para processar informações através de um único comprimento de onda e, portanto, exigiam uma fonte de iluminação monocromática e coerente, ao contrário, por exemplo, da luz ambiente que é incoerente e composta por um contínuo de comprimentos de onda, tornando-o banda larga. Lidando com essa limitação, Os pesquisadores da UCLA desenvolveram redes difrativas que podem processar informações usando um contínuo de comprimentos de onda, expandindo esta estrutura de computação totalmente óptica em sinais ópticos de banda larga. Publicado em Light:Ciência e Aplicações , Os pesquisadores da UCLA demonstraram o sucesso dessa nova estrutura criando uma série de componentes ópticos que filtram a luz de entrada de banda larga nas sub-bandas desejadas. Esses sistemas difrativos baseados em aprendizado profundo também controlam a localização precisa de cada banda filtrada de radiação no plano de saída, demonstrando a desmultiplexação de comprimento de onda espacialmente controlada em terahertz (THz) parte do espectro eletromagnético.

Após seu projeto em um computador, essas redes difrativas de banda larga foram fabricadas com uma impressora 3-D e testadas usando uma fonte de THz pulsada emitindo um continuum de comprimentos de onda entre 60 e 3, 000 micrômetros. Os resultados experimentais obtidos com essas redes difrativas impressas em 3-D mostraram uma concordância muito boa com seus designs numéricos correspondentes, destacando a robustez experimental de redes ópticas difrativas de banda larga.

Esta pesquisa foi liderada pelo Dr. Aydogan Ozcan, Professor de engenharia elétrica e da computação (ECE) do chanceler da UCLA e diretor associado do California NanoSystems Institute (CNSI). Os outros autores deste trabalho são estudantes de graduação Yi Luo, Deniz Mengu, Muhammed Veli, pesquisador de pós-doutorado Dr. Nezih T. Yardimci, Professor Adjunto Dr. Yair Rivenson, bem como a professora Mona Jarrahi, tudo com o departamento de ECE da UCLA.

"Analisar e processar simultaneamente a luz em muitos comprimentos de onda apresenta oportunidades únicas para aprimorar as capacidades de inferência e generalização de redes ópticas difrativas para realizar tarefas de aprendizado de máquina, como reconhecimento de objeto totalmente óptico, bem como para projetar componentes ópticos determinísticos e específicos para tarefas, expandindo o espaço do design óptico para além da intuição humana ", disse o Prof. Ozcan.

Este novo método também é amplamente aplicável a diferentes partes do espectro eletromagnético, incluindo a faixa visível, e assim, representa um marco crítico para redes ópticas difrativas em direção à sua ampla utilização em componentes ópticos modernos e sistemas de aprendizado de máquina, cobrindo uma ampla gama de aplicações em, por exemplo, robótica, veículos autônomos e vigilância.