深度学习是发展最快的机器学习方法之一，它依赖于多层人工神经网络。传统上，深度学习系统被实现为在计算机上执行，以数字方式学习数据表示和抽象，并执行高级任务，与人类专家的表现相当甚至优于人类专家。最近深度学习的成功应用包括医学图像分析、语音识别、语言翻译、图像分类，以及解决更具体的任务，如解决逆成像问题。

图1所示。

与传统的深度学习实现相比，在最近发表于科学加州大学洛杉矶官方manbetx手机版分校的研究人员介绍了一种物理机制，利用全光学衍射深度神经网络(D²神经网络)。这个新的框架产生了3d打印结构，通过深度学习设计，被证明可以成功地执行不同类型的分类和成像任务，而不使用任何电源，除了输入光束。这种全光深度神经网络可以以光速执行基于计算机的神经网络可以实现的各种复杂功能，并将在全光图像分析，特征检测和目标分类中找到应用，也使新的相机设计和光学组件能够学习执行独特的任务。

这项研究由官方manbetx手机版Aydogan Ozcan博士领导，他是加州大学洛杉矶分校电气和计算机工程的校长教授，也是霍华德休斯医学研究所的HHMI教授。

作者通过创建3d打印衍射网络验证了这种方法的有效性，该网络成功地解决了样本问题，例如手写数字(从0到9)和时尚产品的图像分类，以及在太赫兹频谱上执行成像透镜的功能。

Ozcan博士说:“使用逐层制造的无源组件，并通过光衍射将这些层相互连接，创造了一个独特的全光学平台，可以以光速执行机器学习任务。”通过使用图像数据，作者在每层设计了数万个像素，这些像素与其他层一起，共同执行网络训练的任务。在使用计算机完成训练后，设计被3d打印或制造成一层，使用光学衍射来执行学习任务。

除了作者使用手写数字和时尚产品演示的图像分类任务外，该衍射神经网络架构还用于设计在太赫兹频谱下工作的多层透镜，在网络输出处创建任意输入对象的图像，而无需了解与图像形成相关的物理定律。这种设计仅使用图像数据来创建，这些图像数据用于训练不同层之间的像素值，以衍射网络的形式形成成像系统。

这项概念验证工作强调了深度学习为基于图像数据而不是物理原理或工程直觉的光学元件设计提供的一些独特机会。基于这种新方法，可以基于数据设计更先进的光学元件，潜在地超越传统元件的性能。

Aydogan Ozcan
加州大学，洛杉矶，CA 90095，美国

这项工作的其他作者都来自加州大学洛杉矶分校塞缪尔工程学院，包括博士后学者林星;Yair Rivenson和Nezih T. Yardimci;研究生Muhammed Veli和Yi Luo;以及加州大学洛杉矶分校电子与计算机工程教授莫娜·贾拉希。

这项工作得到了NSF和HHMI的支持。

出版

使用衍射深度神经网络的全光机器学习。
林欣，李文森，Yardimci NT, Veli M, Luo Y, Jarrahi M, Ozcan A
《科学》2018年9月7日

离线阅读:

相关文章:

	快速人工智能探测不可见人工智能(AI)依赖于合成神经网络，受到生命智能系统(大脑)功能特性的启发，并在无监督学习过程的基础上自主学习。这样的学习允许……
	基于贝叶斯稀疏神经网络的生物标志物发现最近高通量生物技术的发展，如微阵列和测序技术，为生物标志物的发现提供了前所未有的机会，这可能会促进精准医学的发展。从统计数据来看……
	上游开放阅读帧(uorf)作为翻译…信使RNA (mRNA)的翻译过程是基因表达的关键步骤，其调控使细胞能够以时空方式快速改变蛋白质合成以响应…
	胶质瘤干细胞的分子分类肿瘤基因组图谱(TCGA)对胶质母细胞瘤的综合遗传分析提出了一种基于遗传异常的新分类。在TCGA中发现的特征性遗传异常是有希望的……
	芝加哥的数据表明，光污染扰乱了动物的……人口增长、经济发展和城市化意味着更多的生态系统在夜间被照亮。生态学家和天文学家以及其他相关人士一直在发出“生态光污染”的警报……
	位点特异性抗体标记与新型光交联…我们的研官方manbetx手机版究提出了一种新的、位点特异性的方法来标记各种应用的分子抗体，改进了传统的抗体偶联方法。该方法具有广泛的兼容性和模块化，使…