O aprendizado profundo revolucionou a maneira como percebemos e utilizamos os dados. No entanto, à medida que os conjuntos de dados crescem e as exigências computacionais aumentam, precisamos de formas mais eficientes de manusear, armazenar e processar dados. Nesse sentido, a computação óptica é vista como a próxima fronteira da tecnologia de computação. Em vez de usar sinais eletrônicos, a computação óptica depende das propriedades das ondas de luz, como comprimento de onda e polarização, para armazenar e processar dados.



Redes neurais profundas difrativas (D ² NN) utilizam várias propriedades das ondas de luz para realizar tarefas como reconhecimento de imagens e objetos. Essas redes consistem em matrizes de pixels bidimensionais como camadas difrativas. Cada pixel serve como um parâmetro ajustável que afeta as propriedades das ondas de luz que passam por ele. Este design exclusivo permite que as redes executem tarefas computacionais manipulando informações contidas em ondas de luz. Até agora, D ² Os NNs aproveitaram propriedades das ondas de luz, como intensidade, fase, polarização e comprimento de onda.

Agora, em um estudo publicado no Advanced Photonics Nexus , pesquisadores da Universidade Minzu da China, da Universidade de Pequim e da Universidade Shanxi na China desenvolveram três D ² NNs com camadas difrativas que podem reconhecer objetos usando informações contidas no momento angular orbital (OAM) da luz. Isso inclui D ² codificado em OAM de detector único NNs para classificação única e multitarefa e D ² codificado em OAM multidetector NN para classificação multitarefa repetível.

Mas o que é OAM? É uma propriedade das ondas de luz relacionada ao seu movimento de rotação ou torção. Pode assumir um número infinito de valores independentes, cada um correspondendo a um modo diferente de luz. Devido à sua ampla gama de estados ou modos possíveis, o OAM pode transportar informações espaciais, como posição, arranjo ou estrutura de um objeto. Na proposta D ² Estrutura NN, feixes OAM contendo informações que iluminam dígitos manuscritos são combinados em um único feixe de vórtice. Este feixe, contendo vários modos OAM, cada um associado a uma torção ou rotação específica de ondas de luz, passa por cinco camadas difrativas treinadas para reconhecer as características dos dígitos manuscritos dos modos OAM.

Um recurso notável do D ² codificado em OAM NN é a sua capacidade de discernir a sequência de dígitos repetidos. Para conseguir isso, os pesquisadores empregaram vários detectores para processar informações OAM de múltiplas imagens simultaneamente.

Quando testado no conjunto de dados MNIST, um conjunto de dados comumente usado para reconhecimento de dígitos manuscritos, o D ² NN previu corretamente dígitos únicos nas imagens cerca de 85,49% das vezes, um nível de precisão comparável a D ² Modelos NN que aproveitam o comprimento de onda e as propriedades de polarização da luz.

A utilização de modos OAM para codificar informações é um passo significativo em direção ao avanço das capacidades de processamento paralelo e beneficiará aplicações que exigem processamento em tempo real, como reconhecimento de imagem ou tarefas com uso intensivo de dados.

Com efeito, este trabalho alcança um avanço na classificação paralela ao utilizar o grau de liberdade OAM, superando outros D ² existentes. Projetos NN. Notavelmente, D ² codificado em OAM As NNs fornecem uma estrutura poderosa para melhorar ainda mais a capacidade de classificação paralela totalmente óptica e tarefas de visão de máquina baseadas em OAM e espera-se que abram direções de pesquisa promissoras para D ² NN.

Mais informações: Kuo Zhang et al, Classificação totalmente óptica avançada usando redes difrativas codificadas por momento angular orbital, Advanced Photonics Nexus (2023). DOI:10.1117/1.APN.2.6.066006
Fornecido por SPIE