Breitband-diffraktive neuronale Netzwerke zur Klassifizierung sichtbarer Wellenlängen

Diffraktive neuronale Netzwerke (DNNs) entwickeln sich zu einer neuen Hardware für maschinelles Lernen, die auf optischerDiffraction basiert und parallele sowie hochgradige Informationsverarbeitung ermöglicht. Die optischen Eingaben zu DNNs werden räumlich moduliert, indem sie durch passive diffraktive Schichten propagieren, die nacheinander arbeiten, um eine Inferenz zu erreichen. Hier wird die Klassifizierung sichtbarer Wellenlängen unter Verwendung von ein- und zweilagigen DNNs demonstriert, die mittels direkter Laserbeschriftung hergestellt wurden. Der vorgeschlagene DNN-Ansatz akzeptiert die Punktspreizfunktion von zwei unterschiedlichen Wellenlängen, die nach einem Mikroskopziel modelliert sind, als Eingabe und moduliert das Eingabefeld in Richtung des Ziel-Detektors zur Klassifizierung. Von den drei Modellen, die trainiert wurden, um verschiedene Wellenlängenpaare zu klassifizieren, wurde die höchste Leistung für die Klassifizierung von 561 und 785 nm beobachtet, wobei über 90 % Genauigkeit erzielt wurden. Diese Arbeit demonstriert das Potenzial von rein optischen künstlichen neuronalen Netzwerken für Anwendungen, die sichtbare Wellenlängen erfordern, von der Formgebung sichtbarer Lichtstrahlen bis hin zur Spektralanalyse und optischen Bildgebung.