Les réseaux optiques diffractifs utilisent les déplacements d’objets pour améliorer les performances

L’informatique optique suscite un grand intérêt pour les applications d’apprentissage automatique en raison du parallélisme massif et de la bande passante de l’optique. Les réseaux diffractifs fournissent un tel paradigme informatique basé sur la transformation de la lumière d’entrée lorsqu’elle se diffracte à travers un ensemble de surfaces d’ingénierie spatiale, effectuant des calculs à la vitesse de propagation de la lumière sans nécessiter d’alimentation externe en dehors du faisceau lumineux d’entrée. Parmi de nombreuses autres applications, il a été démontré que les réseaux diffractifs effectuent une classification tout optique des objets d’entrée.

Des chercheurs de l’Université de Californie à Los Angeles (UCLA), dirigés par le professeur Aydogan Ozcan, ont introduit un schéma « time-lapse » pour améliorer considérablement la précision de la classification des images des réseaux optiques diffractifs sur des objets d’entrée complexes. Les résultats sont publiés dans la revue Systèmes intelligents avancés.

Dans ce schéma, l’objet et/ou le réseau diffractif sont déplacés l’un par rapport à l’autre lors de l’exposition des détecteurs de sortie. Un tel schéma « time-lapse » a déjà été utilisé pour obtenir une imagerie à super résolution, par exemple, dans des caméras de sécurité, en capturant plusieurs images d’une scène avec des mouvements latéraux de la caméra.

S’inspirant du succès de l’imagerie à super-résolution accélérée, les chercheurs de l’UCLA ont utilisé des « réseaux diffractifs accélérés » pour atteindre une précision de test à l’aveugle supérieure à 62 % sur la classification tout optique des images CIFAR-10, un ensemble de données accessible au public. contenant des images d’avions, de voitures, de chats, etc. Leurs résultats ont permis une amélioration significative par rapport aux réseaux optiques diffractifs statiques dans le temps.

Le même groupe de recherche avait précédemment démontré l’apprentissage d’ensemble des réseaux diffractifs, où plusieurs réseaux diffractifs fonctionnaient à l’unisson pour améliorer la précision de la classification des images. Cependant, avec l’incorporation du schéma time-lapse, il est possible de surpasser un ensemble de plus de 15 réseaux avec un seul réseau diffractif autonome, réduisant considérablement l’empreinte du système diffractif tout en éliminant les complexités de l’alignement physique et de la synchronisation de plusieurs réseaux individuels. Les chercheurs ont également exploré l’incorporation de l’apprentissage d’ensemble dans la classification d’images en accéléré, ce qui a révélé une précision de test à l’aveugle supérieure à 65 % dans la classification des images CIFAR-10.

Pour la mise en œuvre physique du schéma de classification time-lapse présenté, la méthode la plus simple exploiterait la gigue naturelle des objets ou de la caméra diffractive lors de l’imagerie et permettrait de tirer parti du time-lapse sans coût supplémentaire à l’exception d’une légère augmentation. dans le temps d’inférence en raison de l’intégration du signal du détecteur pendant la gigue.

Cette recherche sur la classification d’images en accéléré est une démonstration de l’utilisation des degrés de liberté temporels des champs optiques pour le calcul optique et présente un grand pas en avant vers le traitement de l’information spatio-temporelle tout optique avec des matériaux compacts, peu coûteux et passifs.