CN110334804B - 基于空间部分相干光的全光深度衍射神经网络***及方法 - Google Patents

基于空间部分相干光的全光深度衍射神经网络***及方法 Download PDF

Info

Publication number
CN110334804B
CN110334804B CN201910538817.7A CN201910538817A CN110334804B CN 110334804 B CN110334804 B CN 110334804B CN 201910538817 A CN201910538817 A CN 201910538817A CN 110334804 B CN110334804 B CN 110334804B
Authority
CN
China
Prior art keywords
optical
neural network
signal
coherent
spatial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910538817.7A
Other languages
English (en)
Other versions
CN110334804A (zh
Inventor
谢浩
林星
周天贶
严涛
吴嘉敏
戴琼海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201910538817.7A priority Critical patent/CN110334804B/zh
Publication of CN110334804A publication Critical patent/CN110334804A/zh
Application granted granted Critical
Publication of CN110334804B publication Critical patent/CN110334804B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/0136—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  for the control of polarisation, e.g. state of polarisation [SOP] control, polarisation scrambling, TE-TM mode conversion or separation
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/35—Non-linear optics
    • G02F1/3515—All-optical modulation, gating, switching, e.g. control of a light beam by another light beam
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/35—Non-linear optics
    • G02F1/355—Non-linear optics characterised by the materials used
    • G02F1/3551—Crystals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G06N3/0675—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Nonlinear Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于空间部分相干光的全光深度衍射神经网络***及方法，包括：转换模块，用于将输入的空间部分相干光信号转换为相干光信号；全光深度衍射神经网络模块，用于对相干光信号进行变换、提取和压缩；信息采集模块，用于接收全光深度衍射神经网络模块的输出信号，并根据输出信号生成空间部分相干光信号的处理结果。该***可以扩展全光深度衍射神经网络的应用领域，使得全光深度衍射神经网络更好地完成更加复杂的机器学习任务，尤其是能够完成自然场景图像识别处理与计算任务。

Description

基于空间部分相干光的全光深度衍射神经网络***及方法
技术领域
本发明涉及光电计算和机器学习技术领域，特别涉及一种基于空间部分相干光的全光深度衍射神经网络***及方法。
背景技术
深度学习使用在计算机中实现的多层人工神经网络，以数字方式学习数据中的信息，并且能够以和人类相当甚至更优的性能执行高级任务。最近，深度学习已经在机器学习领域取得重大进展的例子包括医学图像分析、语音识别、图像分类等等。传统的深度学习网络基于电路实现，其运行速度受到电路中CPU、GPU等电学器件的限制，具有运行速度慢、运算效率低、耗能巨大等问题。目前，有一种全光学衍射深度神经网络，使用无源光学元件进行全光学机器学习。该架构可以以光速执行基于神经网络的一些功能，在并行计算能力和功率、效率方面有明显优势。
上述全光学衍射深度神经网络必须针对相干光进行计算，但是自然场景下大部分光源都是空间部分相干光，因此目前全光学衍射深度神经网络无法直接对自然场景中的部分相干信号直接进行处理。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于空间部分相干光的全光深度衍射神经网络***，该***可以使得全光学衍射深度神经网络能够直接处理空间部分相干光信号。
本发明的另一个目的在于提出一种基于空间部分相干光的全光深度衍射神经网络方法。
为达到上述目的，本发明一方面实施例提出了一种基于空间部分相干光的全光深度衍射神经网络***，包括：转换模块，用于将输入的空间部分相干光信号转换为相干光信号；全光深度衍射神经网络模块，用于对所述相干光信号进行变换、提取和压缩；信息采集模块，用于接收所述全光深度衍射神经网络模块的输出信号，并根据所述输出信号生成所述空间部分相干光信号的处理结果。
本发明实施例的基于空间部分相干光的全光深度衍射神经网络***，通过以光速使用光学元件，对自然场景执行基于神经网络的功能，创建了一种有效、快速的实现机器学习任务的方式；能够经济高效地以可扩展、低功耗的方式对部分相干光实现大规模神经网络，具有实现各种复杂应用的潜力，从而使得全光深度衍射神经网络更好地完成更加复杂的机器学习任务，尤其是能够完成自然场景图像识别处理与计算任务。
另外，根据本发明上述实施例的基于空间部分相干光的全光深度衍射神经网络***还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述转换模块包括：镜头，用于将输入的空间部分相干光信号耦合到光转换部件上；光转换部件，用于将所述空间部分相干光信号转换为所述相干光信号；相干光源，用于为所述相干光信号提供能量。
进一步地，在本发明的一个实施例中，所述转换模块进一步用于利用相干记录光和所述空间部分相干光信号对所述光转换部件进行编码，并利用读出光将所述光学转换部件的编码转换为相干光学空间分布。
可选地，在本发明的一个实施例中，所述光转换部件可以为铁电薄膜部件或者光折变部件。
进一步地，在本发明的一个实施例中，所述全光深度衍射神经网络模块包括：光学强度调制层，用于利用改变光传播介质的吸收率对空间传播的所述相干光信号进行强度调制；光学相位调制层，用于利用改变光传播介质的折射率对空间传播的所述相干光信号进行相位调制；非线性调制层，用于利用非线性效应对空间传播的所述相干光信号的相位和强度进行非线性调制。
进一步地，在本发明的一个实施例中，其中，通过3D打印或光刻技术对所述光学强度调制层和所述光学相位调制层进行制造，并通过深度学习方法对所述光学强度调制层和所述光学相位调制层的参数进行优化。
可选地，在本发明的一个实施例中，所述非线性调制层可以采用SBN晶体制作。
进一步地，在本发明的一个实施例中，所述非线性效应包括晶体的电光效应和光折变效应。
进一步地，在本发明的一个实施例中，所述信息采集模块包括：透镜，用于将所述全光深度衍射神经网络模块的输出信号耦合到探测器上；探测器，用于将所述输出信号转换为电信号。
为达到上述目的，本发明另一方面实施例提出了一种基于空间部分相干光的全光深度衍射神经网络方法，包括：将输入的空间部分相干光信号转换为相干光信号；对所述相干光信号进行变换、提取和压缩，得到输出信号；接收所述输出信号，并根据所述输出信号生成所述空间部分相干光信号的处理结果。
本发明实施例的基于空间部分相干光的全光深度衍射神经网络方法，通过以光速使用光学元件，对自然场景执行基于神经网络的功能，创建了一种有效、快速的实现机器学习任务的方式；能够经济高效地以可扩展、低功耗的方式对部分相干光实现大规模神经网络，具有实现各种复杂应用的潜力，从而使得全光深度衍射神经网络更好地完成更加复杂的机器学习任务，尤其是能够完成自然场景图像识别处理与计算任务。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于空间部分相干光的全光深度衍射神经网络***的结构示意图；
图2为根据本发明一个实施例的基于空间部分相干光的全光深度衍射神经网络***的结构示意图；
图3为根据本发明一个实施例的基于空间部分相干光的全光深度衍射神经网络的转换模块结构示意图；
图4为根据本发明一个具体实施例的基于空间部分相干光的全光深度衍射神经网络***的结构示意图；
图5为根据本发明一个实施例的基于空间部分相干光的全光深度衍射神经网络的设计方法流程图；
图6为根据本发明实施例的基于空间部分相干光的全光深度衍射神经网络方法流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于空间部分相干光的全光深度衍射神经网络***及方法，首先将参照附图描述根据本发明实施例提出的基于空间部分相干光的全光深度衍射神经网络***。
图1是本发明一个实施例的基于空间部分相干光的全光深度衍射神经网络***的结构示意图。
如图1所示，该基于空间部分相干光的全光深度衍射神经网络***100包括：转换模块10、全光深度衍射神经网络模块20和信息采集模块30。
其中，转换模块10用于将输入的空间部分相干光信号转换为相干光信号。全光深度衍射神经网络模块20用于对相干光信号进行变换、提取和压缩。信息采集模块30用于接收全光深度衍射神经网络模块的输出信号，并根据输出信号生成空间部分相干光信号的处理结果。本发明实施例的***100可以扩展全光深度衍射神经网络的应用领域，使得全光深度衍射神经网络更好地完成更加复杂的机器学习任务，尤其是能够完成自然场景图像识别处理与计算任务。
可以理解的是，转换模块10用于将输入空间部分相干光信号转化为相干光信号；全光深度衍射神经网络模块20用于对相干光信号进行信号提取变换、提取和压缩；信息采集模块30用于接收全光深度学习网络模块20的输出信号，生成信息处理结果。本发明实施例的***100旨在扩展全光深度衍射神经网络***的应用领域，使得全光深度衍射神经网络***针对自然界中更常见的空间部分相干光场景直接进行处理，尤其是能够作为高速变化场景的快速拍摄和压缩探测器件。
下面将对基于空间部分相干光的全光深度衍射神经网络***100进行详细的阐述。
进一步地，在本发明的一个实施例中，如图2所示，转换模块10包括：镜头11、光转换部件12和相干光源13。
其中，镜头11用于将输入的空间部分相干光信号耦合到光转换部件上12。光转换部件12用于将空间部分相干光信号转换为相干光信号。相干光源13用于为相干光信号提供能量。
具体而言，镜头11的作用是把输入的空间部分相干光耦合到光转换部件12上，在一定条件下可省略。光转换部件12的作用是将空间部分相干光转换为携带输入信息的相干光，所需的相干光能量来自相干光源13。
进一步地，在本发明的一个实施例中，转换模块10进一步用于利用相干记录光和空间部分相干光信号对光转换部件12进行编码，并利用读出光将光学转换部件12的编码转换为相干光学空间分布。
具体而言，转换模块10由光学转换部件、相干记录光和读出光组成，利用相干记录光和空间部分相干光对光学转换部件编码，利用读出光将光学转换部件的编码转换为相干光学空间分布。
可选地，在本发明的一个实施例中，光转换部件可以为铁电薄膜部件或者光折变部件，例如KNbO3晶体。
其中，KNbO3晶体为光折变晶体，本发明实施例利用KNbO3晶体的光折变效应对光学信息进行空间部分相干光到相干光的转换。相干光源13可以采用斜入射的364nm记录光和532nm的读出光。其结构如图3所示。自然场景和晶体之间，以及晶体之后可以加入滤波片，以实现光学波段的选择。
进一步地，在本发明的一个实施例中，如图2所示，全光深度衍射神经网络模块20包括：光学强度调制层21、光学相位调制层22和非线性调制层23。
其中，光学强度调制层21用于利用改变光传播介质的吸收率对空间传播的相干光信号进行强度调制。光学相位调制层22用于利用改变光传播介质的折射率对空间传播的相干光信号进行相位调制。非线性调制层23用于利用非线性效应对空间传播的相干光信号的相位和强度进行非线性调制。
具体而言，全光深度衍射神经网络模块20包括零个或多个级联的光学强度调制层21、光学相位调制层22和非线性调制层23。其中，光学强度调制层21利用改变光传播介质的吸收率对空间传播的光学信号进行强度调制，光学相位调制层22利用改变光传播介质的折射率对空间传播的光学信号进行相位调制，非线性调制层23利用晶体的电光效应和光折变效应等非线性效应对空间传播的光学信号的相位和强度进行非线性调制。
可选地，在本发明的一个实施例中，其中，通过3D打印或光刻技术对光学强度调制层21和光学相位调制层22进行制造，并通过深度学习方法对光学强度调制层21和光学相位调制层22的参数进行优化。非线性调制层23可以为SBN晶体。
具体而言，光学强度调制层21和光学相位调制层22可以使用3D打印或光刻等技术进行制造，通过深度学习方法对参数进行优化。非线性调制层23可以为SBN晶体等光折变晶体，利用折变晶体的电光效应和光折变效应对光学信息进行非线性调制。
进一步地，在本发明的一个实施例中，如图2所示，信息采集模块30包括：透镜31和探测器32。
其中，透镜31用于将全光深度衍射神经网络模块20的输出信号耦合到探测器32上。探测器32用于将输出信号转换为电信号。
可以理解的是，信息采集模块30包括镜头31和探测器32。其中，镜头31的作用是把网络输出的信号耦合到探测器32上，在一定条件下可省略。探测器32将光信号转换为电信号。
下面将结合图4对基于空间部分相干光的全光深度衍射神经网络***100的工作过程进行进一步阐述。
如图4所示，空间部分相干光信号通过镜头11照射到光转换部件12上，在相干光源13的共同作用下将空间部分相干光转换为携带信息的相干光。相干光输入全光深度衍射神经网络模块20中发生衍射，经过光学强度调制层21、光学相位调制层22和非线性调制层23，通过空间光场分布的调制进行特征提取和信息压缩等图像处理工作。输出的光学信号经过透镜31耦合后被探测器32接收。
综上，本发明实施例的***100包括转换模块10、全光深度衍射神经网络模块20和信息采集模块30。其中，转换模块10用于将输入信号转化为光学信息。全光深度衍射神经网络模块20由多个对光的强度和相位进行线性或者非线性调制的模块交替级联构成，用于对带有空间部分相干光信息的相干光信号进行信号变换、提取和压缩。信息采集模块30由透镜和探测器组成，用于接收全光深度衍射神经网络模块的输出信号，利用透镜将输出信号耦合到探测器进行采集，生成信息处理结果。
下面将将通过具体实施例详细介绍本发明的基于空间部分相干光的全光深度衍射神经网络***100的建立过程。本发明实施例的***100的各项参数通过建立仿真模型、利用深度学习方法优化得到。具体地，图5为根据本发明一个实施例的实现机器学习功能的方法流程图，具体过程如下：
a)建立基于空间部分相干光的全光深度衍射神经网络光学***数值仿真模型。
在转换模块中，本发明实施例的***以空间部分相干光作为***的信号光进行输入到光转换部件表面。经过光转换部件后，输出的相干信号光有如下关系Esout(x，y)＝f(Isin(x，y)，x，y)，其中Isin(x，y)是光转换部件上输入的非相干光强度，Esin(x，y)是该点输出的相干光场。f(I，x，y)是光转换部件在选定位置输出光场与该点输入光强的对应关系，根据光折变材料本身性质与记录光、读出光的参数确定。输出的相干信号光Esout(x，y)成为全光深度衍射神经网络模块的输入。
在全光深度衍射神经网络模块中，每一个衍射层可表达为光的复透射率函数t(x，y)，透过衍射层的输出光场为输入光场与透过率函数的乘积。非线性层的输出光场是输入光场的非线性变换，具体形式由非线性材料(如SBN光折变晶体)本身确定。光在不同层之间的传播采用菲涅尔传播公式描述。最后一层衍射网络的输出经传播后被光学信息采集处理模块采集。
在信息采集模块中，探测器接收上述输出光场的强度或相位信息，进行存储或进一步处理。
b)利用深度学习方法优化基于空间部分相干光的全光深度衍射神经网络***结构和***参数。
根据上述仿真模型建立深度学习网络，以待处理的图像作为输入，以目标任务的正确结果作为真值，构造合适的训练集、验证集、测试集。使用最小均方误差或交叉熵等损失函数，使用误差反向传播等算法迭代调整相位调制层的参数，并通过调整各个衍射层之间的距离、透过率和相位分布等超参数，得到最佳的优化结果。
c)根据仿真优化得到的各项参数。
使用3D打印或光刻技术等物理制造相位调制层，根据仿真模型正确安装硬件***，即可实现基于空间部分相干光的全光深度衍射神经网络的功能。
本发明实施例的***区别于传统的光电混合型神经网络。本发明实施例的***通过联合采用全光空间部分相干光-相干光转换和全光深度衍射神经网络，完全避免了电子学器件带来的信号延迟，从而所有采集、计算、信号提取、压缩过程都能够以光速运行，从而极大地提高了信号的采集和处理效率。
进一步地，本发明实施例还提出了一种基于空间部分相干光的全光深度衍射神经网络设计方法，包括：
建立光学元件的数值仿真模型，获取训练集和测试集，根据训练集和测试集，通过深度学习、误差反向传播算法对数值仿真模型进行训练，在训练过程中优化基于空间部分相干光的全光深度衍射神经网络的结构，并调整基于空间部分相干光的全光深度衍射神经网络的参数；
利用空间部分相干光-相干光转换模块进行对非相干光进行相干光编码，搭建实际的基于空间部分相干光的全光深度衍射神经网络***，利用搭建的基于空间部分相干光的全光深度衍射神经网络***执行目标任务。
综上，本发明实施例的基于空间部分相干光的全光深度衍射神经网络***，有效解决现有的在全光学人工神经网络中完成机器学习任务的局限性，利用光转换部件实现部分-相干光高速转换，利用全光深度衍射神经网络实现光信号的高速提取、处理，最后利用信息采集模块实现对压缩信号的采集，从而能够完成更加复杂的信息处理任务。
根据本发明实施例提出的基于空间部分相干光的全光深度衍射神经网络***，通过以光速使用光学元件，对自然场景执行基于神经网络的功能，创建了一种有效、快速的实现机器学习任务的方式；能够经济高效地以可扩展、低功耗的方式对部分相干光实现大规模神经网络，具有实现各种复杂应用的潜力，从而使得全光深度衍射神经网络更好地完成更加复杂的机器学习任务，尤其是能够完成自然场景图像识别处理与计算任务。
其次参照附图描述根据本发明实施例提出的基于空间部分相干光的全光深度衍射神经网络方法。
图6是本发明一个实施例的基于空间部分相干光的全光深度衍射神经网络方法的流程图。
如图6所示，该基于空间部分相干光的全光深度衍射神经网络方法包括以下步骤：
在步骤S601中，将输入的空间部分相干光信号转换为相干光信号。
在步骤S602中，对相干光信号进行变换、提取和压缩，得到输出信号。
在步骤S603中，接收输出信号，并根据输出信号生成空间部分相干光信号的处理结果。
需要说明的是，前述对基于空间部分相干光的全光深度衍射神经网络***实施例的解释说明也适用于该实施例的基于空间部分相干光的全光深度衍射神经网络方法，此处不再赘述。
根据本发明实施例提出的基于空间部分相干光的全光深度衍射神经网络方法，通过以光速使用光学元件，对自然场景执行基于神经网络的功能，创建了一种有效、快速的实现机器学习任务的方式；能够经济高效地以可扩展、低功耗的方式对部分相干光实现大规模神经网络，具有实现各种复杂应用的潜力，从而使得全光深度衍射神经网络更好地完成更加复杂的机器学习任务，尤其是能够完成自然场景图像识别处理与计算任务。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于空间部分相干光的全光深度衍射神经网络***，其特征在于，包括：
转换模块，用于将输入的空间部分相干光信号转换为相干光信号，所述转换模块包括：镜头，用于将输入的空间部分相干光信号耦合到光转换部件上；光转换部件，用于将所述空间部分相干光信号转换为所述相干光信号；相干光源，用于为所述相干光信号提供能量；所述转换模块进一步用于利用相干记录光和所述空间部分相干光信号对所述光转换部件进行编码，并利用读出光将所述光转换部件的编码转换为相干光学空间分布；
全光深度衍射神经网络模块，用于对所述相干光信号进行变换、提取和压缩，其中，所述全光深度衍射神经网络模块包括：光学强度调制层，用于利用改变光传播介质的吸收率对空间传播的所述相干光信号进行强度调制；光学相位调制层，用于利用改变光传播介质的折射率对空间传播的所述相干光信号进行相位调制；非线性调制层，用于利用非线性效应对空间传播的所述相干光信号的相位和强度进行非线性调制；以及
信息采集模块，用于接收所述全光深度衍射神经网络模块的输出信号，并根据所述输出信号生成所述空间部分相干光信号的处理结果。
2.根据权利要求1所述的***，其特征在于，所述光转换部件为铁电薄膜部件或者光折变部件。
3.根据权利要求1所述的***，其特征在于，其中，
通过3D打印或光刻技术对所述光学强度调制层和所述光学相位调制层进行制造，并通过深度学习方法对所述光学强度调制层和所述光学相位调制层的参数进行优化。
4.根据权利要求1所述的***，其特征在于，所述非线性调制层为SBN晶体。
5.根据权利要求3所述的***，其特征在于，所述非线性效应包括晶体的电光效应和光折变效应。
6.根据权利要求1所述的***，其特征在于，所述信息采集模块包括：
透镜，用于将所述全光深度衍射神经网络模块的输出信号耦合到探测器上；
探测器，用于将所述输出信号转换为电信号。
7.一种基于空间部分相干光的全光深度衍射神经网络方法，其特征在于，包括：
将输入的空间部分相干光信号转换为相干光信号，进一步包括：将输入的空间部分相干光信号耦合到光转换部件上；将所述空间部分相干光信号转换为所述相干光信号；为所述相干光信号提供能量；进一步包括利用相干记录光和所述空间部分相干光信号对所述光转换部件进行编码，并利用读出光将所述光转换部件的编码转换为相干光学空间分布；
对所述相干光信号进行变换、提取和压缩，得到输出信号，其中，所述全光深度衍射神经网络模块包括：光学强度调制层，用于利用改变光传播介质的吸收率对空间传播的所述相干光信号进行强度调制；光学相位调制层，用于利用改变光传播介质的折射率对空间传播的所述相干光信号进行相位调制；非线性调制层，用于利用非线性效应对空间传播的所述相干光信号的相位和强度进行非线性调制；以及
接收所述输出信号，并根据所述输出信号生成所述空间部分相干光信号的处理结果。
CN201910538817.7A 2019-06-20 2019-06-20 基于空间部分相干光的全光深度衍射神经网络***及方法 Expired - Fee Related CN110334804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910538817.7A CN110334804B (zh) 2019-06-20 2019-06-20 基于空间部分相干光的全光深度衍射神经网络***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910538817.7A CN110334804B (zh) 2019-06-20 2019-06-20 基于空间部分相干光的全光深度衍射神经网络***及方法

Publications (2)

Publication Number Publication Date
CN110334804A CN110334804A (zh) 2019-10-15
CN110334804B true CN110334804B (zh) 2021-09-07

Family

ID=68142325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910538817.7A Expired - Fee Related CN110334804B (zh) 2019-06-20 2019-06-20 基于空间部分相干光的全光深度衍射神经网络***及方法

Country Status (1)

Country Link
CN (1) CN110334804B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461300B (zh) * 2020-03-30 2022-10-14 北京航空航天大学 光学残差深度网络构建方法
CN111582435B (zh) * 2020-04-02 2023-04-18 清华大学 基于残差网络的衍射深度神经网络***
CN111582468B (zh) * 2020-04-02 2022-08-09 清华大学 光电混合智能数据生成计算***及方法
CN111683304B (zh) * 2020-05-13 2021-12-14 中国科学院西安光学精密机械研究所 在光波导和/或光芯片上实现的全光衍射神经网络及***
CN112101514B (zh) * 2020-07-27 2022-06-07 北京航空航天大学 采用金字塔架构衍射层补光的衍射神经网络及实现方法
CN112418403B (zh) * 2020-11-25 2022-06-28 清华大学 基于光学衍射原理和可编程器件的光学衍射计算处理器
CN113641210B (zh) * 2021-10-12 2022-03-18 清华大学 用于消息散列算法中消息压缩的光电集成电路
CN115021826B (zh) * 2022-04-29 2024-04-16 清华大学 光计算通信智能编解码计算***及方法
CN116310719B (zh) * 2023-02-10 2024-04-19 中国人民解放军军事科学院国防科技创新研究院 基于时频域的光学衍射复数模型训练方法、图像处理方法
CN117521746B (zh) * 2024-01-04 2024-03-26 武汉大学 量化光学衍射神经网络***及其训练方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977154A (zh) * 2015-06-26 2015-10-14 清华大学 具有子像素结构的空间光调制器缺陷分类方法
JP2018205864A (ja) * 2017-05-31 2018-12-27 日本電信電話株式会社 ニューラルネットワーク光学習装置
CN109211122A (zh) * 2018-10-30 2019-01-15 清华大学 基于光神经网络的超精密位移测量***及方法
CN109477938A (zh) * 2016-06-02 2019-03-15 麻省理工学院 用于光学神经网络的设备和方法
CN109871871A (zh) * 2019-01-16 2019-06-11 南方科技大学 基于光学神经网络结构的图像识别方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108365953B (zh) * 2018-02-06 2020-06-23 中南大学 基于深度神经网络的自适应差分相移量子密钥分发***及其实现方法
CN109784486B (zh) * 2018-12-26 2021-04-23 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977154A (zh) * 2015-06-26 2015-10-14 清华大学 具有子像素结构的空间光调制器缺陷分类方法
CN109477938A (zh) * 2016-06-02 2019-03-15 麻省理工学院 用于光学神经网络的设备和方法
JP2018205864A (ja) * 2017-05-31 2018-12-27 日本電信電話株式会社 ニューラルネットワーク光学習装置
CN109211122A (zh) * 2018-10-30 2019-01-15 清华大学 基于光神经网络的超精密位移测量***及方法
CN109871871A (zh) * 2019-01-16 2019-06-11 南方科技大学 基于光学神经网络结构的图像识别方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
All-optical machine learning using diffractive deep neural networks;Xing Lin et al.;《OPTICAL COMPUTING》;20180907;第361卷(第6406期);说明书第1004-1005页、图1 *

Also Published As

Publication number Publication date
CN110334804A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110334804B (zh) 基于空间部分相干光的全光深度衍射神经网络***及方法
CN111582435B (zh) 基于残差网络的衍射深度神经网络***
Li et al. Class-specific differential detection in diffractive optical neural networks improves inference accuracy
CN110929864B (zh) 光学衍射神经网络在线训练方法及***
CN110309916B (zh) 多级空频域调制非线性全光学深度学习***及方法
CN104407506A (zh) 基于压缩传感理论的数字全息成像装置及其成像方法
CN111582468B (zh) 光电混合智能数据生成计算***及方法
CN114266702B (zh) 基于压缩感知和深度光学的高速超分辨成像方法及装置
CN113780258A (zh) 一种光电计算光场智能深度分类方法和装置
Yang et al. High-fidelity image reconstruction for compressed ultrafast photography via an augmented-Lagrangian and deep-learning hybrid algorithm
Rahman et al. Universal linear intensity transformations using spatially incoherent diffractive processors
Zhan et al. Diffractive deep neural network based adaptive optics scheme for vortex beam in oceanic turbulence
CN114519403B (zh) 基于片上衍射神经网络的光学图神经分类网络、方法
CN112214719A (zh) 一种利用级联深度神经网络的介质超表面逆向设计算法
Liu et al. Investigating deep optics model representation in affecting resolved all-in-focus image quality and depth estimation fidelity
CN204360096U (zh) 基于压缩传感理论的数字全息成像装置
CN111652372B (zh) 一种基于衍射光学神经网络的波前复原方法及***
CN114037069B (zh) 基于衍射光学的神经网络计算单元
Li et al. Deep-learning-based optical image hiding
Feng et al. Optical Neural Networks for Holographic Image Recognition
Peserico et al. Design and testing of silicon photonic 4F system for convolutional neural networks
CN116703728B (zh) ***参数优化的超分辨方法和***
CN117521746B (zh) 量化光学衍射神经网络***及其训练方法
Fang et al. A multichannel optical neural network for advanced machine vision
Lou et al. Diffractive Optical Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210907

CF01 Termination of patent right due to non-payment of annual fee