La red neuronal profunda difractiva es un marco de aprendizaje de máquina óptica que combina el aprendizaje profundo con la difracción óptica y la interacción luz-materia para diseñar superficies difractivas que realizan colectivamente cálculos ópticos a la velocidad de la luz. Una red neuronal difractiva se diseña primero en una computadora utilizando técnicas de aprendizaje profundo, seguido de la fabricación física de las capas diseñadas de la red neuronal utilizando, por ejemplo, Impresión 3D o litografía. Dado que la conexión entre los planos de entrada y salida de una red neuronal difractiva se establece mediante la difracción de la luz a través de capas pasivas, el proceso de inferencia y el cálculo óptico asociado no consumen energía, excepto la luz utilizada para iluminar el objeto de interés.

Desarrollado por investigadores de UCLA, Las redes ópticas difractivas proporcionan una baja potencia, plataforma de aprendizaje automático de baja latencia y altamente escalable que puede encontrar numerosas aplicaciones en robótica, vehículos autónomos, industria de defensa, Entre muchos otros. Además de proporcionar inferencia estadística y generalización a clases de datos, Las redes neuronales difractivas también se han utilizado para diseñar sistemas ópticos deterministas, como un sistema de imágenes delgadas.

En estas demostraciones anteriores, Los modelos de redes difractivas se desarrollaron para procesar información a través de una sola longitud de onda y, por lo tanto, requerían una fuente de iluminación monocromática y coherente. a diferencia, por ejemplo, de la luz ambiental que es incoherente y está compuesta por un continuo de longitudes de onda, haciéndolo de banda ancha. Abordar esta limitación, Los investigadores de UCLA han diseñado redes difractivas que pueden procesar información utilizando un continuo de longitudes de onda, expandiendo este marco de cálculo totalmente óptico en señales ópticas de banda ancha. Publicado en Luz:ciencia y aplicaciones , Los investigadores de UCLA demostraron el éxito de este nuevo marco mediante la creación de una serie de componentes ópticos que filtran la luz de entrada de banda ancha en las subbandas deseadas. Estos sistemas difractivos basados ​​en aprendizaje profundo también controlan la ubicación precisa de cada banda de radiación filtrada en el plano de salida. demostrando la demultiplexación de longitud de onda controlada espacialmente en una parte de terahercios (THz) del espectro electromagnético.

Después de su diseño en una computadora, Estas redes difractivas de banda ancha se fabricaron con una impresora 3-D y se probaron utilizando una fuente THz pulsada que emite un continuo de longitudes de onda entre 60 y 3. 000 micrómetros. Los resultados experimentales obtenidos con estas redes difractivas impresas en 3D mostraron una muy buena concordancia con sus correspondientes diseños numéricos, destacando la robustez experimental de las redes ópticas difractivas de banda ancha.

Esta investigación fue dirigida por el Dr. Aydogan Ozcan, Profesor de la canciller de UCLA de ingeniería eléctrica e informática (ECE) y director asociado del California NanoSystems Institute (CNSI). Los otros autores de este trabajo son los estudiantes de posgrado Yi Luo, Deniz Mengu, Muhammed Veli, investigador postdoctoral Dr. Nezih T. Yardimci, Profesor adjunto Dr. Yair Rivenson, así como la profesora Mona Jarrahi, todo con el departamento de ECE en UCLA.

"El análisis y el procesamiento simultáneo de la luz en muchas longitudes de onda presentan oportunidades únicas para mejorar las capacidades de inferencia y generalización de las redes ópticas difractivas para realizar tareas de aprendizaje automático como el reconocimiento de objetos totalmente ópticos, así como para diseñar componentes ópticos deterministas y específicos de la tarea, expandiendo el espacio de diseño óptico más allá de la intuición humana ", dijo el Prof. Ozcan.

Este nuevo método también es ampliamente aplicable a diferentes partes del espectro electromagnético, incluida la banda visible, y por lo tanto, representa un hito fundamental para las redes ópticas difractivas hacia su uso generalizado en los componentes ópticos y los sistemas de aprendizaje automático de hoy en día, cubriendo una amplia gama de aplicaciones en, por ejemplo, robótica, vehículos autónomos y vigilancia.