通过偏振编码的衍射神经网络执行多个全光线性变换

实现大规模线性变换或矩阵的计算在现代信息处理系统中起着尤为关键的作用。为了执行某些复杂的计算任务，如深度神经网络的训练和推理等，数字计算机系统需要每秒完成多达数十亿次的矩阵运算。因此，线性变换计算的吞吐量可以直接影响基础计算系统的性能和容量。这些线性变换的计算现今通常依赖于计算机中的数字处理器，但随着需求的数据规模越来越大，这些处理器的性能也愈发捉襟见肘。全光计算方法由于具有并行性和速度的优势，将有可能为这一问题提供解决方案。

在最近发表在《光：科学与应用》上的一项研究中，来自美国加州大学洛杉矶分校（UCLA）的研究人员展示了一种偏振编码的衍射光学处理器（Polarization-encoded diffractiveoptical processor），其只使用光的衍射就能高速、低功耗地计算多个线性变换。这种光学处理器利用一系列结构化衍射表面和简单偏振片阵列的组合，就可以对输入光实现所需的调制操控，并在输出平面产生任何所需的输入场的复值线性变换的结果。这种全光学衍射处理器与传统的电子处理器相比的主要优势是，它在计算时不需要消耗任何除照明光之外的能量，且借助大尺寸光刻晶圆的制造，该处理器的硬件规模可被迅速扩大，以实现大规模数据的并行计算。此外，该处理器中所有的操作都是以光速执行的，因此可迅速完成复值线性变换的计算。

这项研究由来自加州大学洛杉矶分校电子和计算机工程系、加州纳米系统研究所（CNSI）的Aydogan Ozcan教授领导。这种新的光学系统结构引入了一种偏振编码机制，允许一个衍射处理器通过偏振复用执行多达四个不同的线性变换。通过使衍射层与嵌入网络中的偏振元件协同作用，单个衍射光学处理器可以在内部隐含地形成多个不同的线性变换计算通道，每个通道均可以使用一对输入、输出偏振态的特定组合来进行访问。在通过使用深度学习等数据驱动的方法进行训练后，衍射处理器可以全光执行一组、多个复值线性变换，这些变换可以被分配给不同的输入、输出偏振组合以执行不同类型的全光计算，例如图像分类、分割、加密和滤波等。这种独特的设计使单个衍射光学处理器可以同时执行多种任务，增强了光学信息处理系统的多功能性。

基于偏振复用的衍射光学计算：通过使用偏振编码的衍射神经网络全光执行多个线性变换。

由于其该设计的通用性，该基于偏振编码的衍射光学处理器可以在电磁波谱的不同部分工作。由于它可以直接处理输入场景的振幅和相位信息，这种设计特别适用于视觉计算领域，可以用于构建机器视觉系统的智能无源光学前端。此外，该系统处理物体样品或场景的输入偏振信息的固有能力也可能使其应用于具有偏振感知能力的光学成像和传感技术，这对如体液中双折射晶体的检测等某些生物医学应用将可能产生变革性的影响。

相关链接：https://phys.org/news/2022-05-all-optical-group-polarization-encoded-diffractive-network.html