深度学习设计的衍射处理器并行计算数百个变换

在当今的数字时代，计算任务变得越来越复杂。反过来，这导致数字计算机消耗的功率呈指数增长。因此，有必要开发能够以快速和节能的方式执行大规模计算的硬件资源。

在这方面，使用光而不是电来执行计算的光学计算机很有前途。它们可以潜在地提供更低的延迟和更低的功耗，受益于光学系统具有的并行性。因此，研究人员探索了各种光学计算设计。

例如，通过结合光学和深度学习设计衍射光学网络，以光学方式执行复杂的计算任务，例如图像分类和重建。它包括一堆结构化的衍射层，每个层都有数千个衍射特征/神经元。这些无源层用于控制光与物质的相互作用，以调制输入光并产生所需的输出。研究人员通过使用深度学习工具优化这些层的轮廓来训练衍射网络。在最终设计制造完成后，该框架作为一个独立的光学处理模块，只需要一个输入照明源供电。

到目前为止，研究人员已经成功设计了单色(单波长照明)衍射网络，用于实现单一线性变换(矩阵乘法)操作。但是有没有可能同时实现更多的线性变换呢?最早引入衍射光网络的加州大学洛杉矶分校研究小组最近解决了这个问题。在最近发表在AdvancedPhotonics上的一项研究中，他们在衍射光网络中采用了波长复用方案，并展示了使用宽带衍射处理器执行大规模并行线性变换操作的可行性。

UCLAChancellor教授、Samueli工程学院研究组组长AydoganOzcan简要描述了这种光学处理器的架构和原理：“宽带衍射光学处理器具有Ni和N的输入和输出视场o像素，它们分别由连续的结构化衍射层连接，由无源透射材料制成。一组预定的Nw离散波长对输入和输出信息进行编码。每个波长专用于一个独特的目标函数或复值线性变换”他解释道。

“这些目标转换可以专门分配给不同的功能，例如图像分类和分割，或者它们可以专门用于计算不同的卷积滤波器操作或神经网络中的完全连接层。所有这些线性转换或所需的功能都在同时执行光速，其中每个所需的功能都分配给一个独特的波长。这使得宽带光学处理器能够以极高的吞吐量和并行性进行计算。

研究人员证明，当其衍射特征总数N大于或等于2NwNiNo时，这种波长复用光学处理器设计可以近似Nw个独特的线性变换，误差可忽略不计。该结论通过数值模拟针对Nw>180次不同的变换得到证实，并且适用于具有不同色散特性的材料。此外，使用更大的N(3NwNiNo)将Nw进一步增加到大约2000个独特的转换，这些转换都是光学并行执行的。

关于这种新计算设计的前景，Ozcan说：“这种大规模并行、波长复用的衍射处理器将有助于设计高吞吐量智能机器视觉系统和高光谱处理器，并可能激发各个领域的众多应用，包括生物医学成像、遥感、分析化学和材料科学。”