CN111582435B - 基于残差网络的衍射深度神经网络系统 - Google Patents

基于残差网络的衍射深度神经网络系统 Download PDF

Info

Publication number
CN111582435B
CN111582435B CN202010255884.0A CN202010255884A CN111582435B CN 111582435 B CN111582435 B CN 111582435B CN 202010255884 A CN202010255884 A CN 202010255884A CN 111582435 B CN111582435 B CN 111582435B
Authority
CN
China
Prior art keywords
diffraction
neural network
optical
information
modulation layer
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.)
Active
Application number
CN202010255884.0A
Other languages
English (en)
Other versions
CN111582435A (zh
Inventor
戴琼海
窦泓焜
严涛
邓岳
林星
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
Beihang University
Original Assignee
Tsinghua University
Beihang 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, Beihang University filed Critical Tsinghua University
Priority to CN202010255884.0A priority Critical patent/CN111582435B/zh
Publication of CN111582435A publication Critical patent/CN111582435A/zh
Application granted granted Critical
Publication of CN111582435B publication Critical patent/CN111582435B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

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)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
  • Liquid Crystal (AREA)

Abstract

本发明公开了一种基于残差网络的衍射深度神经网络系统，包括：光学输入模块，由光源和3D打印的输入物体或空间光调制器组成，使用光源均匀照射物体或空间光调制器，将输入物体的信息转化为透射光的光学信息；残差衍射深度神经网络模块，由衍射调制层和残差连接模块构成，通过训练实现神经网络功能，以实现光学计算和信息处理功能；信息采集模块，由传感器组成，接收残差衍射深度神经网络模块的输出信号，并采集光学强度信息，以获得信息处理结果。该系统可以有效解决在缓解梯度消失的问题，实现更深的衍射神经网络，提升全光学深度学习的性能，使得全光学深度学习模型更好地完成更加复杂的机器学习任务。

Description

基于残差网络的衍射深度神经网络系统
技术领域
本发明涉及光电计算和机器学习技术领域，特别涉及一种基于残差网络的衍射深度神经网络系统。
背景技术
深度神经网络在解决许多前沿人工智能(AI)问题上的取得巨大进步，传统的基于电子的深度神经网络通过在冯·诺依曼计算机中使用大型CMOS晶体管进行计算。这些电子神经网络(ENN)消耗大量的能源和资源，并且受到摩尔定律的约束。作为ENN的替代方案，新兴的光学神经网络(ONN)通过使光通过一系列光学仪器来实现分层计算，在人工智能领域崭露头角。与ENN相比，ONN具有至少三个必不可少的优势。首先，ONN理论上能够以光速进行计算。其次，光的高通量特性赋予了光学计算合理的并行信号处理能力。最后，最新的纳米光子技术提供了在单个芯片级别集成整个ONN系统的功能。
在光学计算中，早期的工作主要集中在一些基本的信号处理操作上，例如傅立叶变换，微分和卷积，但很少用于解决具有挑战性的机器学习问题。而衍射深层神经网络能够实现较高性能的目标分类等复杂任务。但是，现有的衍射深层神经网络主要配置在相对较浅的神经网络结构中，这极大地限制了其计算能力。
在ENN研究中，众所周知，神经网络深度的增长可以对整个学习系统的性能改善做出重要贡献。但是ONN在层之间进行基于光相互作用的复数运算，这使得通过反向传播(BP)来有效地训练深度ONN变得更加困难。
因此，当ONN变得很深时，对复数进行梯度计算可能会导致梯度消失问题，该问题会严重影响网络性能，亟待解决。
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，本发明的目的在于提出一种基于残差网络的衍射深度神经网络系统，该系统可以有效解决在缓解梯度消失的问题，实现更深的衍射神经网络，提升全光学深度学习的性能，使得全光学深度学习模型更好地完成更加复杂的机器学习任务。
为达到上述目的，本发明实施例提出了一种基于残差网络的衍射深度神经网络系统，包括：光学输入模块，由光源和3D打印的输入物体或空间光调制器组成，使用光源均匀照射物体或空间光调制器，将输入物体的信息转化为透射光的光学信息；残差衍射深度神经网络模块，由衍射调制层和残差连接模块构成，通过训练实现神经网络功能，以实现光学计算和信息处理功能；信息采集模块，由传感器组成，接收所述残差衍射深度神经网络模块的输出信号，并采集光学强度信息，以获得信息处理结果。
本发明实施例的基于残差网络的衍射深度神经网络系统，区别于原始的仅通过单向的光学信息传播和调制以实现计算功能的全光学衍射深度神经网络，采用残差连接模块，对前一衍射调制层的输出进行分束，与这一衍射调制层输出的光场复数相加，实现从输入到输出的直接通路，从而有效解决训练过程中的梯度消失问题，使得系统能够提升执行复杂的信息处理任务的性能。
另外，根据本发明上述实施例的基于残差网络的衍射深度神经网络系统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，所述衍射调制层由相位调制层和非线性光学元件组成，其中，所述相位调制层由空间光调制器实现，或者通过3D打印或光刻技术加工实现，且相位调制参数通过深度学习方法优化得到，使用非线性光学器件，利用晶体的电光效应和光折变效应实现光学信息的非线性调制，实现非线性激活函数。
进一步地，在本发明的一个实施例中，所述残差连接模块包括光学分束镜和反射镜，对前一衍射调制层的输出进行分束，与当前衍射调制层输出的光场复数相加，实现从输入到输出的直接通路。
进一步地，在本发明的一个实施例中，其中，各个模块放置的预设位置之间的距离通过预先训练得到。
进一步地，在本发明的一个实施例中，所述各个模块放置的预设位置之间的距离通过预先训练得到，包括：建立仿真模型，根据任务需要给定训练集、测试集，通过深度学习、误差反向传播算法在训练过程中优化系统结构，调整相位调制层的参数及各模块之间的物理距离；仿真设计完成后，使用3D打印或光刻技术进行物理制造，或利用空间光调制器搭建实际系统，执行特定的机器学习任务。
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为根据本发明一个实施例的基于残差网络的衍射深度神经网络的系统的结构示意图；
图2为根据本发明一个实施例的残差连接模块的理论示意图和利用分束镜、反射镜进行物理实现的示意图；
图3为根据本发明一个实施例的基于残差网络的衍射深度神经网络的完整系统光路图；
图4为根据本发明一个实施例来实现手写数字分类功能，与传统衍射深度神经网络的分类准确率对比图；
图5为根据本发明一个实施例来实现Fashion-MNIST数据集图像分类功能，与传统衍射深度神经网络的分类准确率对比图；
图6为根据本发明一个实施例来实现Fashion-MNIST图像超分辨功能，与传统衍射深度神经网络、线性插值算法的图像效果及信噪比对比图。
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。
针对背景技术中存在的技术问题，本发明实施例通过在光学层之间添加可训练的残差连接，提出了基于残差网络的衍射深度神经网络系统。本发明实施例验证了所提出的全光残差学习的有效性，并在层数大大增加的情况下显示了优化过程和网络性能的显着改善。经过证明，在两个具有挑战性的图像处理任务(包括图像分类和像素超分辨率)上，基于残差网络的衍射深度神经网络优于普通的衍射深度神经网络。
下面将参照附图描述根据本发明实施例提出的基于残差网络的衍射深度神经网络系统。
图1是本发明一个实施例的基于残差网络的衍射深度神经网络系统的结构示意图。
如图1所示，该基于残差网络的衍射深度神经网络系统包括：光学输入模块100、残差衍射深度神经网络模块200和信息采集模块300。
其中，光学输入模块100由光源110和3D打印的输入物体120或空间光调制器组成，使用光源均匀照射物体或空间光调制器，将输入物体的信息转化为透射光的光学信息；残差衍射深度神经网络模块200由衍射调制层210和残差连接模块220构成，通过训练实现神经网络功能，以实现复杂的光学计算和信息处理功能；信息采集模块300由传感器310组成，接收残差衍射深度神经网络模块200的输出信号，并采集光学强度信息，以获得信息处理结果。本发明实施例的系统10可以有效解决在缓解梯度消失的问题，实现更深的衍射神经网络，提升全光学深度学习的性能，使得全光学深度学习模型更好地完成更加复杂的机器学习任务。
需要说明的是，在本发明的一个实施例中，基于残差网络的衍射深度神经网络的完整系统光路图如图2所示。
在本发明的一个实施例中，衍射调制层由相位调制层和非线性光学元件组成，其中，相位调制层由空间光调制器实现，或者通过3D打印或光刻技术加工实现，且相位调制参数通过深度学习方法优化得到，使用非线性光学器件，利用晶体的电光效应和光折变效应实现光学信息的非线性调制，实现非线性激活函数。
其中，非线性光学器件包括SBN或类似的光折变晶体等器件。
进一步地，在本发明的一个实施例中，残差连接模块包括光学分束镜和反射镜，对前一衍射调制层的输出进行分束，与当前衍射调制层输出的光场复数相加，实现从输入到输出的直接通路。
可以理解的是，如图3所示，残差连接模块由光学分束镜、反射镜等实现，对前一衍射调制层的输出进行分束，与这一衍射调制层输出的光场复数相加，实现从输入到输出的直接通路，从而解决训练过程中的梯度消失问题。其中，分束比例是可训练的。
进一步地，在本发明的一个实施例中，各个模块放置的预设位置之间的距离通过预先训练得到。
可以理解的是，各个模块需要放置在合适的位置上，之间的距离通过训练设计。
进一步地，在本发明的一个实施例中，各个模块放置的预设位置之间的距离通过预先训练得到，包括：建立仿真模型，根据任务需要给定训练集、测试集，通过深度学习、误差反向传播算法在训练过程中优化系统结构，调整相位调制层的参数及各模块之间的物理距离；仿真设计完成后，使用3D打印或光刻技术进行物理制造，或利用空间光调制器搭建实际系统，执行特定的机器学习任务。
可以理解的是，先建立仿真模型，通过深度学习、误差反向传播算法在训练过程中优化系统结构，调整相位调制层的参数。仿真设计完成后，使用3D打印或光刻技术进行物理制造，然后可以以光速执行其训练的特定任务，创建了一种有效切快速的方式来实现机器学习任务。
具体而言，a)建立光学系统数值仿真模型。设定光源波长，以待处理的图像的归一化灰度值作为入射光的强度，入射光经过残差衍射深度神经网络后，在信息采集模块被采集。
残差衍射深度神经网络中，相位调制层是多个衍射层的堆叠，每个衍射层用相位调制和一段空间距离的菲涅尔传播来仿真，非线性调制层利用SBN光折变晶体的电光效应和光折变效应来仿真，在外电场和光的作用下，晶体折射率变化：
Figure BDA0002437299660000051
其中，n0是晶体原始折射率，r33是晶体的电光系数，I0是背景光强，E是加在晶体两端的电场强度，I是晶体表面在空间均匀背景强度之上的光强扰动。
残差衍射深度神经网络中，残差连接模块对前一衍射调制层的输出进行分束，与这一衍射调制层输出的光场复数相加，实现从输入到输出的直接通路，具体表示如下：
Figure BDA0002437299660000052
Figure BDA0002437299660000053
Lout＝F1(Ltrans)+F2(Lreflect)，
其中，Lin表示这一衍射调制层的输入，即上一衍射调制层的输出；α表示分束镜透射率；Ltrans表示透射的即将被调制的光；Lreflect表示被分束镜反射向后自由传播的光；F1表示这一调制层的调制函数；F2表示光的自由传播；Lout表示调制层和残差连接共同作用后的输出。
b)利用深度学习方法优化模型结构和系统参数。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其他特殊设计的损失函数，使用误差反向传播算法迭代调整相位调制层的参数，并通过调试光源波长、相位调制层个数、各模块之间的空间距离等超参数，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打印或光刻技术物理制造相位调制层，或选择合适的空间光调制器实现相位调制功能，选择光源、光折变晶体，并根据仿真模型正确安装硬件系统，即可全光学实现深度学习的功能。使用均匀光照射3D打印的输入物体，透射光携带物体信息通过基于残差网络的衍射深度神经网络，最后在信息采集模块的传感器上被采集，就获得了输入信息的处理结果。
进一步地，本发明实施例在手写数字图像分类、图像超分辨等多个实验中都表现出比原始的衍射深度神经网络更好的性能，并通过图4、图5和图6所示的对比结果可以进一步验证了它在复杂运算上的巨大优势。
综上，本发明实施例的衍射神经网络能够以全光学的方式执行目标分类、显著性检测等机器学习任务，为计算方式的变革提供重要思路；通过有残差连接和非线性激活函数的衍射深度神经网络，能够显著提升普通衍射深度神经网络在复杂的机器学习、光学计算任务中的性能，例如提升目标分类准确率和图像超的信噪比等，具体地：本发明实施例结合残差神经网络的思路，在光学调制层之间构造残差连接模块，连接光学调至层的输入与输出；其中，这种连接方法为训练中的梯度反向传播提供了直接路径，这是缓解非常深的衍射神经网络上梯度消失问题的有效方法。从而能够更加有效地训练更深的光学神经网络，提升网络的计算复杂性和执行机器学习任务的性能。
根据本发明实施例提出的基于残差网络的衍射深度神经网络系统，区别于原始的仅通过单向的光学信息传播和调制以实现计算功能的全光学衍射深度神经网络，采用残差连接模块，对前一衍射调制层的输出进行分束，与这一衍射调制层输出的光场复数相加，实现从输入到输出的直接通路，从而有效解决训练过程中的梯度消失问题，使得系统能够提升执行复杂的信息处理任务的性能。
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 (4)

1.一种基于残差网络的衍射深度神经网络系统，其特征在于，包括：
光学输入模块，由光源和3D打印的输入物体或空间光调制器组成，使用光源均匀照射物体或空间光调制器，将输入物体的信息转化为透射光的光学信息；
残差衍射深度神经网络模块，由衍射调制层和残差连接模块构成，通过训练实现神经网络功能，以实现光学计算和信息处理功能，其中，所述残差连接模块包括光学分束镜和反射镜，对前一衍射调制层的输出进行分束，与当前衍射调制层输出的光场复数相加，实现从输入到输出的直接通路；以及
信息采集模块，由传感器组成，接收所述残差衍射深度神经网络模块的输出信号，并采集光学强度信息，以获得信息处理结果。
2.根据权利要求1所述的系统，其特征在于，所述衍射调制层由相位调制层和非线性光学元件组成，其中，所述相位调制层由空间光调制器实现，或者通过3D打印或光刻技术加工实现，且相位调制参数通过深度学习方法优化得到，使用非线性光学器件，利用晶体的电光效应和光折变效应实现光学信息的非线性调制，实现非线性激活函数。
3.根据权利要求1所述的系统，其特征在于，其中，各个模块放置的预设位置之间的距离通过预先训练得到。
4.根据权利要求3所述的系统，其特征在于，所述各个模块放置的预设位置之间的距离通过预先训练得到，包括：
建立仿真模型，根据任务需要给定训练集、测试集，通过深度学习、误差反向传播算法在训练过程中优化系统结构，调整相位调制层的参数及各模块之间的物理距离；
仿真设计完成后，使用3D打印或光刻技术进行物理制造，或利用空间光调制器搭建实际系统，执行特定的机器学习任务。
CN202010255884.0A 2020-04-02 2020-04-02 基于残差网络的衍射深度神经网络系统 Active CN111582435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010255884.0A CN111582435B (zh) 2020-04-02 2020-04-02 基于残差网络的衍射深度神经网络系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010255884.0A CN111582435B (zh) 2020-04-02 2020-04-02 基于残差网络的衍射深度神经网络系统

Publications (2)

Publication Number Publication Date
CN111582435A CN111582435A (zh) 2020-08-25
CN111582435B true CN111582435B (zh) 2023-04-18

Family

ID=72124288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010255884.0A Active CN111582435B (zh) 2020-04-02 2020-04-02 基于残差网络的衍射深度神经网络系统

Country Status (1)

Country Link
CN (1) CN111582435B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022056422A1 (en) * 2020-09-14 2022-03-17 The Regents Of The University Of California Ensemble learning of diffractive neural networks
CN112633469A (zh) * 2020-12-08 2021-04-09 北京信息科技大学 一种用于卷积光神经网络的随机光栅设计方法
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
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
CN115018041B (zh) * 2022-04-19 2024-09-06 华中科技大学 一种可重构非易失性的集成三维光学衍射神经网络芯片
CN117217275B (zh) * 2023-11-09 2024-01-26 清华大学 一种双神经元大规模智能光计算方法及装置
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI689875B (zh) * 2018-06-29 2020-04-01 由田新技股份有限公司 利用深度學習系統的自動光學檢測分類設備及其訓練設備
CN110309916B (zh) * 2019-06-05 2021-09-17 清华大学 多级空频域调制非线性全光学深度学习系统及方法
CN110334804B (zh) * 2019-06-20 2021-09-07 清华大学 基于空间部分相干光的全光深度衍射神经网络系统及方法

Also Published As

Publication number Publication date
CN111582435A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111582435B (zh) 基于残差网络的衍射深度神经网络系统
CN109784486B (zh) 一种光学神经网络处理器及其训练方法
CN110334804B (zh) 基于空间部分相干光的全光深度衍射神经网络系统及方法
Li et al. Class-specific differential detection in diffractive optical neural networks improves inference accuracy
CN110309916B (zh) 多级空频域调制非线性全光学深度学习系统及方法
CN109784485B (zh) 一种光学神经网络处理器及其计算方法
Xu et al. A survey of approaches for implementing optical neural networks
CN111753977B (zh) 光学神经网络卷积层芯片、卷积计算方法和电子设备
CN111582468B (zh) 光电混合智能数据生成计算系统及方法
CN103728809B (zh) 液晶透镜成像装置和液晶透镜成像方法
CN108805278B (zh) 一种应用于深度学习的特征提取方法及系统
CN114519403B (zh) 基于片上衍射神经网络的光学图神经分类网络、方法
CN115545173A (zh) 用于信号处理的光调制神经元及全光衍射神经网络方法
Liu et al. Digital modeling on large kernel metamaterial neural network
CN111652372B (zh) 一种基于衍射光学神经网络的波前复原方法及系统
CN112700000A (zh) 一种光电混合深度卷积神经网络方法
Cui et al. Programmable artificial intelligence machine for wave sensing and communications
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
Petković et al. RETRACTED: Adaptive neuro-fuzzy prediction of modulation transfer function of optical lens system
Chen et al. Physics-aware complex-valued adversarial machine learning in reconfigurable diffractive all-optical neural network
CN111949067B (zh) 达曼卷积光计算机
CN117521746B (zh) 量化光学衍射神经网络系统及其训练方法
Yang et al. Binary Optical Machine Learning: Million-Scale Physical Neural Networks with Nano Neurons
WO2023184776A1 (zh) 光计算设备和计算方法

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