CN110929864A - 光学衍射神经网络在线训练方法及系统 - Google Patents

光学衍射神经网络在线训练方法及系统 Download PDF

Info

Publication number
CN110929864A
CN110929864A CN201911239283.4A CN201911239283A CN110929864A CN 110929864 A CN110929864 A CN 110929864A CN 201911239283 A CN201911239283 A CN 201911239283A CN 110929864 A CN110929864 A CN 110929864A
Authority
CN
China
Prior art keywords
phase
module
light
light field
neural network
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.)
Granted
Application number
CN201911239283.4A
Other languages
English (en)
Other versions
CN110929864B (zh
Inventor
林星
周天贶
方璐
肖红江
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.)
Beijing Chaofang Information Technology Co Ltd
Original Assignee
Beijing Chaofang Information Technology Co Ltd
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 Beijing Chaofang Information Technology Co Ltd filed Critical Beijing Chaofang Information Technology Co Ltd
Priority to CN201911239283.4A priority Critical patent/CN110929864B/zh
Publication of CN110929864A publication Critical patent/CN110929864A/zh
Application granted granted Critical
Publication of CN110929864B publication Critical patent/CN110929864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
  • Holo Graphy (AREA)

Abstract

本发明提供了一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法及系统。对于光学衍射神经网络在线训练方法，在前向传播步骤中，输入光通过一系列调相器到达成像面，同时记录每一个调相器面以及成像面的光场分布；在损失场计算步骤中，计算像面光场的强度和标准值的误差，依据该误差对像面相位共轭原理光场进行调制，计算获得损失光场；在反向传播步骤中，利用复数场生成模块生成损失光场，并将损失光场反向传播，在逐个调相器共轭面记录得到的伴随光场；在梯度计算与更新步骤中，根据前向传播步骤记录的调相器面光场以及反向传播步骤中记录的伴随光场，计算调相器每一个像素的梯度，并据此梯度进行梯度下降，迭代至收敛。

Description

光学衍射神经网络在线训练方法及系统
技术领域
本发明涉及光电计算和机器学习技术领域，特别涉及一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法及系统。
背景技术
机器学习在语音和图像的分类、识别和检测等领域取得了巨大进展。目前主流的机器学习平台都是基于电子计算元件，由于电子芯片的制程逐渐逼近其极限，其能量效率难以继续增长。此外，以电子芯片为基础的深度学习技术还面临训练时间长、计算体系架构受限等瓶颈。针对电子深度学习的诸多短板，世界各国研究人员开始研究下一代机器学习的实现方式。
近年，一种光学衍射神经网络被提出，其通过对光束相位和/或幅度的多层调制实现如图像分类等语义计算。但是，该光学衍射神经网络实现前需要通过电子计算机建模，这种离线训练的方法限制了光学衍射神经网络的训练速度以及应用场景。
发明内容
本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种训练速度快并且应用场景广的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法及系统。
根据本发明，提供了一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法，包括：前向传播步骤、损失场计算步骤、后向传播步骤和梯度计算与更新步骤；
其中，在前向传播步骤中，输入光通过一系列调相器到达成像面，同时记录每一个调相器面以及成像面的光场分布；
在损失场计算步骤中，计算像面光场的强度和标准值的误差，依据该误差对像面相位共轭原理光场进行调制，计算获得损失光场；
在反向传播步骤中，利用复数场生成模块生成损失光场，并将损失光场反向传播，在逐个调相器共轭面记录得到的伴随光场；
在梯度计算与更新步骤中，根据前向传播步骤记录的调相器面光场以及反向传播步骤中记录的伴随光场，计算调相器每一个像素的梯度，并据此梯度进行梯度下降，迭代至收敛。
根据本发明，还提供了一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，用于执行上述基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法，所述光学衍射神经网络在线训练系统包括：单层在线训练模块、图像采集模块、复数场生成模块、激光光源模块以及电子计算模块；其中单层训练模块与图像采集模块、激光光源模块、电子计算模块四者协同完成前向传播步骤；基于前向传播的结果，电子计算模块完成损失场计算步骤；之后单层训练模块与复数场生成模块、激光光源模块、电子计算模块四者协同完成反向传播步骤；最后电子计算模块完成梯度计算与更新步骤。
优选地，单层在线训练模块为光学神经网络在线训练的基本单元，用于前向传播和反向传播；输出采集模块用于记录前向传播中的输出光场；复数场生成模块用于生成反向传播所需的损失光场；激光光源模块用于提供前向传播中的输入光，以及生成前向传播和反向传播过程中相移全息技术中的参考光；电子计算模块用于损失场计算以及梯度计算与更新。
优选地，单层在线训练模块包括第一调相器、第一分光镜、第一透镜组、第一相机以及第二相机；其中，第一调相器用于对前向传播和反向传播光场进行多层相位调制；第一相机用于记录前向传播中调相器前向光场分布和成像面光场分布；第二相机用于记录后向传播中的伴随光场分布；第一透镜组用于构成4f系统，将移相器前向光场共轭至相机面；第一分光镜用于导出前向传播光束至4f系统，导出反向传播光束至相机。
优选地，输出采集模块包括第二分光镜和第三相机；其中，第三相机用于记录前向传播中的输出光场；第二分光镜用于导出输出光束到相机。
优选地，复数场生成模块包括第二调相器和第二透镜组；其中，第二透镜组用于构建4f系统；第二调相器用于对平面光场进行相位编码。
优选地，复数场生成模块还包括用于4f系统的傅里叶面滤波的孔径光阑。
优选地，光源模块包括用作相干光源的激光器。
优选地，光源模块包括移相器，用于在相移全息术中提供相移。
优选地，电子计算模块包括电子计算机。
本发明的优势在于提出了新的光学衍射神经网络的训练方法，消除了传统训练方法中训练网络参数与实际场景参数不匹配的问题，拓宽了光学神经网络的应用范围。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1示意性地示出了根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法的流程图。
图2示意性地示出了根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统的系统框图。
图3(a)至图3(d)示意性地示出了本发明的应用场景之一：光速目标分类。
图4(a)至图4(e)示意性地示出了本发明的应用场景之二：光学矩阵乘法。
图5(a)至图5(f)示意性地示出了本发明的应用场景之三：全光散射成像。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。
<第一实施例>
本发明通过设计前向传播、误差计算以及后向传播来计算梯度的方式，来实现光学衍射神经网络在线训练。
具体地，图1示意性地示出了根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法的流程图。
如图1所示，根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法包括：前向传播步骤S101、损失场计算步骤S102、后向传播步骤S103和梯度计算与更新步骤S104。
其中，在前向传播步骤S101中，输入光通过一系列调相器到达成像面，同时记录每一个调相器面以及成像面的光场分布。
在损失场计算步骤S102中，计算像面光场的强度和标准值的误差，依据该误差对像面相位共轭原理光场进行调制，计算获得损失光场。
在反向传播步骤S103中，利用复数场生成模块生成损失光场，并将损失光场反向传播，在逐个调相器共轭面记录得到的伴随光场。
在梯度计算与更新步骤S104中，根据前向传播步骤记录的调相器面光场以及反向传播步骤中记录的伴随光场，计算调相器每一个像素的梯度，并据此梯度进行梯度下降，迭代至收敛。
根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法提出了新的光学衍射神经网络的训练方法，消除了传统训练方法中训练网络参数与实际场景参数不匹配的问题，拓宽了光学神经网络的应用范围。
<第二实施例>
图2示意性地示出了根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统的系统框图。图2所示的系统用于执行图1示出的根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法。
如图2所示，根据本发明优选实施例的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统包括：单层在线训练模块10、图像采集模块20、复数场生成模块30、激光光源模块40以及电子计算模块50。
其中，单层在线训练模块10为光学神经网络在线训练的基本单元，用于前向传播和反向传播；输出采集模块20用于记录前向传播中的输出光场；复数场生成模块30用于生成反向传播所需的损失光场；激光光源模块40用于提供前向传播中的输入光，以及生成前向传播和反向传播过程中相移全息技术中的参考光；电子计算模块50用于损失场计算以及梯度计算与更新。
而且其中，单层训练模块10与图像采集模块20、激光光源模块40、电子计算模块50四者协同完成前向传播步骤S101；基于前向传播的结果，电子计算模块50完成损失场计算步骤S102；之后单层训练模块10与复数场生成模块、激光光源模块40、电子计算模块50四者协同完成反向传播步骤S103；最后电子计算模块50完成梯度计算与更新步骤S104。
换言之，所述激光光源模块与单层在线训练模块、输出采集模块协同完成前向和反向传播步骤，与复数场生成模块协同完成损失场生成步骤，所述电子计算模块与单层在线训练模块、输出采集模块协同完成前向和反向传播步骤中的光场记录，与复数场生成模块协同完成损失场生成步骤。
下面将结合图2对基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统示意图进行详细叙述。
如图2所示，在本发明的一个实施例中，单层在线训练模块10包括第一空间光调制器11(在此作为调相器的具体示例)、第一分光镜12、第一透镜组13、第一相机14以及第二相机15。其中，第一空间光调制器11用于对前向传播和反向传播光场进行多层相位调制；第一相机14用于记录前向传播中调相器前向光场分布和成像面光场分布；第二相机15用于记录后向传播中的伴随光场分布；第一透镜组13用于构成4f系统，将移相器前向光场共轭至相机面；第一分光镜12用于导出前向传播光束至4f系统，导出反向传播光束至相机。
输出采集模块20包括第二分光镜21和第三相机22；其中，第三相机22用于记录前向传播中的输出光场；第二分光镜21用于导出输出光束到相机。
复数场生成模块30包括第二空间光调制器31和第二透镜组32；其中，第二透镜组32用于构建4f系统；第二空间光调制器31用于对平面光场进行相位编码。优选地，复数场生成模块30还包括用于4f系统的傅里叶面滤波的孔径光阑。
光源模块40包括用作相干光源的激光器41。优选地，光源模块40包括移相器，用于在相移全息术中提供相移。
电子计算模块50包括电子计算机51。
在上述示例中，单层在线训练模块中和复数场生成模块中调相器的实现方式之一为空间光调制器，但是可以采用其它技术实现调相器。
举例来说，每一轮更新的详细过程可如下：
给定训练的输入光场Ain，目标输出T，损失函数L；
第一步，单层训练模块10与图像采集模块20、激光光源模块40、电子计算模块50四者协同完成前向传播步骤S101。具体而言，前向传播步骤S101中，输入相干光场Ain首先经过多个单层在线训练模块。在每个单层训练模块中，输入相干光经过第一空间光调制器11，受到幅度和/或相位调制，之后经过第一分光镜12。在第一分光镜处，光束一分为二，部分光不改变方向传播进入下一层在线训练模块，另一部分光被分束经过第一透镜组13构成的4f系统，共轭至相机，在激光模块和计算模块的辅助之下，利用相移全息技术记录下前向光场分布
Figure BDA0002304256350000071
其中i＝1，2，3，...，N，N为在线训练网络的层数。光束传播通过最后一层在线训练模块之后进入输出采集模块，即光束经过第二分光镜21分束传播至第三相机22，同样在激光模块和计算模块的辅助之下，利用相移全息技术记录下输出光场分布Aout。
第二步，基于前向传播的结果，电子计算模块50完成损失场计算步骤S102，记损失光场为eloss，则
Figure BDA0002304256350000073
其中，T为目标场分布，|·|2为二范数，*为复共轭。
第三步，单层训练模块10与复数场生成模块、激光光源模块40、电子计算模块50四者协同完成反向传播S103。复数场生成模块首先生成第二步中计算所得的损失光场eloss。
复数场生成的方法之一为：先将损失场分解成两个幅度固定的光场之和，eloss(x，y)＝Bejθ(x，y)+Bejβ(x，y)，其中B为固定幅度，θ(x，y)和β(x，y)为空间变化的相位。激光器40生成幅度为B的平面光场，并经过加载相位M1θ(x，y)+M2β(x，y)的空间光调制器31的调制，其中M1和M2为互补棋盘格图案。其后光传播至第二透镜组32的傅里叶面，被放置于傅里叶面的孔径光阑进行频域滤波，之后传播通过第二个透镜，实现了复数场的生成。
生成的损失光场eloss反向传播，通过第二分光镜21，在第二分光镜21处一分为二，其中一束光不改变，传播至下一个单层训练模块，另一束光被分光镜偏折，传播至第二相机15，在该处利用相移全息术记录伴随光场
Figure BDA0002304256350000081
其中i＝1，2，3，...，N，N为在线训练网络的层数。
第四步，基于前述记录的光场
Figure BDA0002304256350000082
和
Figure BDA0002304256350000083
来计算每一层i的空间光调制器的梯度
Figure BDA0002304256350000084
其中L为损失函数,φi为第i层空间光调制器上的相位值，j为虚数单位，Real{·}为取实部。此后更新每一层空间光调制器的相位
Figure BDA0002304256350000085
需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
<第三实施例>
图3(a)至图3(d)示意性的示出了本发明的应用场景之一——目标分类应用的仿真结果(10层相位调制)。其中图3(a)示意性地说明了光速目标分类应用的实验设置。相干光输入到目标物体，目标物体的轮廓编码成相干光的强度分布。编码光通过多层可编程的空间光调制器件(光学训练)，最后被探测器接收。每个探测器代表一类物体，接收光强最高的探测器为分类结果。图3(b)为MNIST手写数字数据集上训练过程的迭代收敛图。横坐标为训练周期数，纵坐标为盲分类测试准确率。该图对比了电子训练、不考虑光学误差的光学训练、以及考虑光学误差的光学训练三种情况。可以观察到，光学训练和电子训练的收敛准确率较为接近。图3(c)为收敛情况下的光学训练空间光调制器相位图。图3(d)为第一空间光调制器在第一次迭代情况下的梯度对比。可以看到，光学梯度和电子梯度误差在5％以内。图中的比例尺为1mm。
<第四实施例>
图4(a)至图4(e)示意性的示出了本发明的应用场景之二——光学矩阵乘法应用的仿真结果。其中图4(a)示意性地说明了光学矩阵乘法的实验设置。为了实现Y＝HX的矩阵乘法(其中X为输入向量，H为相乘矩阵，Y为输出向量)。相干光的强度编码了输入向量的值，多层可编程衍射层(光学训练其相位)则代表了相乘矩阵H，经过编码的相干光在通过多层衍射层后输出，输出面不同位置的光强则表征了输出向量Y。图4(b)为随机生成样本上训练收敛情况下的光学训练空间光调制器相位图。图4(c)为16维下的样例输入，输出向量，以及相乘矩阵。图4(d)为光学矩阵乘法的输出值与真实值(电子计算)之间的差异，观察到二者的相对误差仅为1.15％，表明本方法有较高的准确性。图4(e)为相对误差随网络层数的变化关系。随网络层数增加，相对误差不断减小。图中的比例尺为1mm。
<第五实施例>
图5(a)至图5(e)示意性的示出了本发明的应用场景之三——全光穿散射成像应用的仿真结果。其中图5(a)示意性地说明了全光穿散射成像的实验设置。没有调制的情况下，物体经过散射介质后形成杂乱的散斑，物体的原始形貌已不可辨认，而在经过可编程衍射层的调制(光学训练其相位)后，成像面重新形成了物体的形貌。图5(b)为MNIST手写数字数据集上不同层数的训练效果。其中PSNR(峰值信噪比)为衡量恢复成像效果的指标，该值越高表明恢复图像和原图越相近。图5(c)为10cm衍射层间距实验设置下手写数字“9”的穿散射成像效果。图5(d)为90cm衍射层间距实验设置下手写数字“9”的穿散射成像效果。图5(e)为Fashion-MNIST数据集上的穿散射成像效果。图5(f)为Fashion-MNIST数据集上的训练迭代收敛图。该图的比例尺为1mm。

Claims (10)

1.一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法，其特征在于包括：前向传播步骤、损失场计算步骤、后向传播步骤和梯度计算与更新步骤；
其中，在前向传播步骤中，输入光通过一系列调相器到达成像面，同时记录每一个调相器面以及成像面的光场分布；
在损失场计算步骤中，计算像面光场的强度和标准值的误差，依据该误差对像面相位共轭原理光场进行调制，计算获得损失光场；
在反向传播步骤中，利用复数场生成模块生成损失光场，并将损失光场反向传播，在逐个调相器共轭面记录得到的伴随光场；
在梯度计算与更新步骤中，根据前向传播步骤记录的调相器面光场以及反向传播步骤中记录的伴随光场，计算调相器每一个像素的梯度，并据此梯度进行梯度下降，迭代至收敛。
2.一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，用于执行根据权利要求1所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法，其特征在于所述光学衍射神经网络在线训练系统包括：单层在线训练模块、图像采集模块、复数场生成模块、激光光源模块以及电子计算模块；其中单层训练模块与图像采集模块、激光光源模块、电子计算模块四者协同完成前向传播步骤；基于前向传播的结果，电子计算模块完成损失场计算步骤；之后单层训练模块与复数场生成模块、激光光源模块、电子计算模块四者协同完成反向传播步骤；最后电子计算模块完成梯度计算与更新步骤。
3.根据权利要求2所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，单层在线训练模块为光学神经网络在线训练的基本单元，用于前向传播和反向传播；输出采集模块用于记录前向传播中的输出光场；复数场生成模块用于生成反向传播所需的损失光场；激光光源模块用于提供前向传播中的输入光，以及生成前向传播和反向传播过程中相移全息技术中的参考光；电子计算模块用于损失场计算以及梯度计算与更新。
4.根据权利要求2或3所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，单层在线训练模块包括第一调相器、第一分光镜、第一透镜组、第一相机以及第二相机；其中，第一调相器用于对前向传播和反向传播光场进行多层相位调制；第一相机用于记录前向传播中调相器前向光场分布和成像面光场分布；第二相机用于记录后向传播中的伴随光场分布；第一透镜组用于构成4f系统，将移相器前向光场共轭至相机面；第一分光镜用于导出前向传播光束至4f系统，导出反向传播光束至相机。
5.根据权利要求2或3所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，输出采集模块包括第二分光镜和第三相机；其中，第三相机用于记录前向传播中的输出光场；第二分光镜用于导出输出光束到相机。
6.根据权利要求2或3所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，复数场生成模块包括第二调相器和第二透镜组；其中，第二透镜组用于构建4f系统；第二调相器用于对平面光场进行相位编码。
7.根据权利要求6所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，复数场生成模块还包括用于4f系统的傅里叶面滤波的孔径光阑。
8.根据权利要求2或3所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，光源模块包括用作相干光源的激光器。
9.根据权利要求2或3所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，光源模块还包括移相器，用于在相移全息术中提供相移。
10.根据权利要求2或3所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，电子计算模块包括电子计算机。
CN201911239283.4A 2019-12-05 2019-12-05 光学衍射神经网络在线训练方法及系统 Active CN110929864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911239283.4A CN110929864B (zh) 2019-12-05 2019-12-05 光学衍射神经网络在线训练方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911239283.4A CN110929864B (zh) 2019-12-05 2019-12-05 光学衍射神经网络在线训练方法及系统

Publications (2)

Publication Number Publication Date
CN110929864A true CN110929864A (zh) 2020-03-27
CN110929864B CN110929864B (zh) 2023-04-18

Family

ID=69858072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911239283.4A Active CN110929864B (zh) 2019-12-05 2019-12-05 光学衍射神经网络在线训练方法及系统

Country Status (1)

Country Link
CN (1) CN110929864B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461300A (zh) * 2020-03-30 2020-07-28 北京航空航天大学 光学残差深度网络构建方法
CN111652372A (zh) * 2020-06-19 2020-09-11 中国科学院软件研究所 一种基于衍射光学神经网络的波前复原方法及系统
CN111680796A (zh) * 2020-06-29 2020-09-18 中国人民解放军国防科技大学 基于级联光耦合器的片上光子神经网络装置、芯片及其应用方法
CN111683304A (zh) * 2020-05-13 2020-09-18 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系统
CN112101514A (zh) * 2020-07-27 2020-12-18 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
CN112418403A (zh) * 2020-11-25 2021-02-26 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
CN112700000A (zh) * 2020-12-11 2021-04-23 北京信息科技大学 一种光电混合深度卷积神经网络方法
CN113780258A (zh) * 2021-11-12 2021-12-10 清华大学 一种光电计算光场智能深度分类方法和装置
CN113822424A (zh) * 2021-07-27 2021-12-21 湖南大学 一种基于超构表面的全光衍射神经网络系统
CN114037069A (zh) * 2021-11-18 2022-02-11 中国科学院长春光学精密机械与物理研究所 基于衍射光学的神经网络计算单元
WO2022056422A1 (en) * 2020-09-14 2022-03-17 The Regents Of The University Of California Ensemble learning of diffractive neural networks
CN115113508A (zh) * 2022-05-07 2022-09-27 四川大学 基于光衍射神经网络的全息显示散斑抑制方法
CN116310719A (zh) * 2023-02-10 2023-06-23 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
CN117233960A (zh) * 2023-11-15 2023-12-15 清华大学 基于智能光计算的光学系统在线设计方法与装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170193361A1 (en) * 2015-12-31 2017-07-06 Microsoft Technology Licensing, Llc Neural network training performance optimization framework
US20170351952A1 (en) * 2016-06-01 2017-12-07 Kla-Tencor Corporation Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
CN110347017A (zh) * 2019-06-30 2019-10-18 华中科技大学 一种基于光学衍射的套刻误差提取方法
CN110378473A (zh) * 2019-07-26 2019-10-25 清华大学 基于深度学习和随机图案的相位层析方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170193361A1 (en) * 2015-12-31 2017-07-06 Microsoft Technology Licensing, Llc Neural network training performance optimization framework
US20170351952A1 (en) * 2016-06-01 2017-12-07 Kla-Tencor Corporation Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
CN109313724A (zh) * 2016-06-01 2019-02-05 科磊股份有限公司 针对半导体应用并入神经网络及前向物理模型的系统及方法
CN110347017A (zh) * 2019-06-30 2019-10-18 华中科技大学 一种基于光学衍射的套刻误差提取方法
CN110378473A (zh) * 2019-07-26 2019-10-25 清华大学 基于深度学习和随机图案的相位层析方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUMING JIAO ET.AL.: "Optical machine learning with incoherent light and a single-pixel detector" *
XING LIN ET.AL.: "All-optical machine learning using diffractive deep neural networks" *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461300A (zh) * 2020-03-30 2020-07-28 北京航空航天大学 光学残差深度网络构建方法
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
CN111683304A (zh) * 2020-05-13 2020-09-18 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系统
WO2021227767A1 (zh) * 2020-05-13 2021-11-18 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系统
CN111652372A (zh) * 2020-06-19 2020-09-11 中国科学院软件研究所 一种基于衍射光学神经网络的波前复原方法及系统
CN111652372B (zh) * 2020-06-19 2022-08-19 中国科学院软件研究所 一种基于衍射光学神经网络的波前复原方法及系统
CN111680796A (zh) * 2020-06-29 2020-09-18 中国人民解放军国防科技大学 基于级联光耦合器的片上光子神经网络装置、芯片及其应用方法
CN112101514A (zh) * 2020-07-27 2020-12-18 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
WO2022056422A1 (en) * 2020-09-14 2022-03-17 The Regents Of The University Of California Ensemble learning of diffractive neural networks
CN112418403A (zh) * 2020-11-25 2021-02-26 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
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
CN112700000A (zh) * 2020-12-11 2021-04-23 北京信息科技大学 一种光电混合深度卷积神经网络方法
CN113822424A (zh) * 2021-07-27 2021-12-21 湖南大学 一种基于超构表面的全光衍射神经网络系统
CN113822424B (zh) * 2021-07-27 2023-10-20 湖南大学 一种基于超构表面的全光衍射神经网络系统
US11450017B1 (en) 2021-11-12 2022-09-20 Tsinghua University Method and apparatus for intelligent light field 3D perception with optoelectronic computing
CN113780258A (zh) * 2021-11-12 2021-12-10 清华大学 一种光电计算光场智能深度分类方法和装置
CN113780258B (zh) * 2021-11-12 2022-02-22 清华大学 一种光电计算光场深度智能感知分类方法和装置
CN114037069B (zh) * 2021-11-18 2024-04-05 中国科学院长春光学精密机械与物理研究所 基于衍射光学的神经网络计算单元
CN114037069A (zh) * 2021-11-18 2022-02-11 中国科学院长春光学精密机械与物理研究所 基于衍射光学的神经网络计算单元
CN115113508A (zh) * 2022-05-07 2022-09-27 四川大学 基于光衍射神经网络的全息显示散斑抑制方法
CN115113508B (zh) * 2022-05-07 2023-11-28 四川大学 基于光衍射神经网络的全息显示散斑抑制方法
CN116310719A (zh) * 2023-02-10 2023-06-23 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
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
CN117233960B (zh) * 2023-11-15 2024-01-23 清华大学 基于智能光计算的光学系统在线设计方法与装置
CN117233960A (zh) * 2023-11-15 2023-12-15 清华大学 基于智能光计算的光学系统在线设计方法与装置

Also Published As

Publication number Publication date
CN110929864B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110929864B (zh) 光学衍射神经网络在线训练方法及系统
Zhang et al. Fast phase retrieval in off-axis digital holographic microscopy through deep learning
Li et al. Class-specific differential detection in diffractive optical neural networks improves inference accuracy
Backer Computational inverse design for cascaded systems of metasurface optics
Qu et al. Inverse design of an integrated-nanophotonics optical neural network
Dufresne et al. Computer-generated holographic optical tweezer arrays
Hou et al. Deep-learning-based phase control method for tiled aperture coherent beam combining systems
JP2021527287A (ja) 光電子コンピューティングシステム
CN111832721A (zh) 全光学神经网络
Rahman et al. Universal linear intensity transformations using spatially incoherent diffractive processors
CN111680796B (zh) 基于级联光耦合器的片上光子神经网络装置、芯片及其应用方法
CN111582435A (zh) 基于残差网络的衍射深度神经网络系统
Cheng et al. Photonic emulator for inverse design
Yang et al. Programmable on-chip photonic machine learning system based on joint transform correlator
US20240104918A1 (en) Non-interferometric, non-iterative complex amplitude reading method and apparatus
CN117454949A (zh) 全光学卷积神经网络装置
Hu et al. Electro-optical hybrid fourier neural network with amplitude-only modulation
Feng et al. Optical Neural Networks for Holographic Image Recognition
CN114660821B (zh) 一种生成有限能量一阶艾里导数光束的方法
Wang et al. In‐Line and Off‐Axis Hybrid Digital Holographic Imaging Method Based on Off‐Axis Hologram Constraints
CN117521746B (zh) 量化光学衍射神经网络系统及其训练方法
Jonuzi et al. Numerical Analysis of a Self-Calibrating Time-Spatial Interleaving Photonic Convolutional Accelerator
Cyran et al. Concurrent signal processing in optimized hybrid CGH-ANN system
Khoram et al. Stochastic optimization of nonlinear nanophotonic media for artificial neural inference
Kazanskiy et al. Optical Computing: Status and Perspectives. Nanomaterials 2022, 12, 2171

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