KR20180064884A - 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 - Google Patents
홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 Download PDFInfo
- Publication number
- KR20180064884A KR20180064884A KR1020160165301A KR20160165301A KR20180064884A KR 20180064884 A KR20180064884 A KR 20180064884A KR 1020160165301 A KR1020160165301 A KR 1020160165301A KR 20160165301 A KR20160165301 A KR 20160165301A KR 20180064884 A KR20180064884 A KR 20180064884A
- Authority
- KR
- South Korea
- Prior art keywords
- optical
- convolutional neural
- hologram
- optical unit
- unit
- Prior art date
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 208
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title description 8
- 230000001537 neural effect Effects 0.000 claims abstract description 117
- 210000002569 neuron Anatomy 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 7
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 claims description 39
- 210000004027 cell Anatomy 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000012071 phase Substances 0.000 description 3
- 101100295841 Arabidopsis thaliana OPT3 gene Proteins 0.000 description 2
- 230000005374 Kerr effect Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910003327 LiNbO3 Inorganic materials 0.000 description 1
- 229910002113 barium titanate Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/22—Processes or apparatus for obtaining an optical image from holograms
- G03H1/2294—Addressing the hologram to an active spatial light modulator
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Holo Graphy (AREA)
Abstract
본 발명은 광학 콘볼루션 뉴럴 네트워크 시스템에 관한 것이다. 본 발명의 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템은 입력 광학부, 콘볼루션 뉴럴 광학부, 홀로그램 뉴럴 광학부, 및 출력 광학부를 포함할 수 있다. 입력 광학부는 입력 데이터를 수신하여 제 1 광 정보로 변환하고, 콘볼루션 뉴럴 광학부는 상기 제 1 광 정보를 수신하여 특징 맵을 추출하고, 콘볼루션 커널 값의 변화를 학습하고, 홀로그램 뉴럴 광학부는 상기 특징 맵을 수신하여 연결 가중치의 변화를 학습하고, 그리고 출력 광학부는 상기 홀로그램 뉴런 광학부의 제 2 광 정보를 수신하여 출력 데이터를 생성할 수 있다.
Description
본 발명은 뉴럴 네트워크에 관한 것으로, 좀 더 구체적으로 광학 콘볼루션 뉴럴 네트워크에 관한 것이다.
인공 뉴럴 네트워크(artificial neural network) 기술은 딥러닝(deep learning) 알고리즘의 발전으로 패턴인식, 음성인식 및 자연어처리 등 다양한 분야에 적용되고 있다. 인공 뉴럴 네트워크의 학습 및 추론 능력은 뉴런 간의 연결 가중치(interconnection weights)를 효율적으로 최적화하는 방법에 따라 달라진다. 인공 뉴럴 네트워크는 오류 역전파 알고리즘(error backpropagation algorithm)을 이용한 교사 학습(supervised learning) 방법 및 정보 엔트로피에 기반한 비교사 학습(unsupervised learning) 방법을 사용하고 있다. 특히, 콘볼루션 뉴럴 네트워크(convolutional neural network; CNN) 알고리즘은 계층적 특징을 갖는 시각 인지 원리를 모방하고 있다. 콘볼루션 뉴럴 네트워크는 영상 인식과 인지적 추론 및 판단을 크게 요하는 게임에서 우수한 특성을 보이고 있다.
딥러닝 알고리즘은 기본적으로 뉴런과 은닉층(hidden layer)이 많을 경우 연결 가중치를 최적화하기 위하여 방대한 계산량이 필요하다. 따라서, 일반적으로 딥러닝 알고리즘은 슈퍼컴퓨터를 이용한 클라우드 시스템을 이용하여야 효과적으로 기술을 실현할 수 있다. 결국, 병렬처리가 가능한 하드웨어가 뉴럴 컴퓨팅의 현실화를 위해서 필요하다.
뉴럴 컴퓨팅에 대한 하드웨어는 반도체 집적화 기술을 이용하여 뉴런을 병렬적으로 배치하는 방법으로 쉽게 구현할 수 있다. 하지만, 뉴런과 은닉층 수에 따라 연결 가중치는 기하급수적으로 증가한다. 따라서, 병렬처리 과정에서 전력 소모량이 매우 크기 때문에 뉴럴 컴퓨팅은 기술적 한계를 보이고 있다. 이에 대하여, 광학 뉴럴 컴퓨팅(optical neural computing) 기술은 광 정보의 병렬 처리 원리를 이용하므로 이러한 소자집적에 대한 복잡도와 큰 전력 소모량이 필요 없게 된다. 따라서, 광 정보 처리 기술을 이용하여 딥러닝 알고리즘을 구현하는 기술이 필요하다.
본 발명의 목적은 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템을 제공하는 데 있다.
본 발명의 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템은 입력 데이터를 수신하여 제 1 광 정보로 변환하는 입력 광학부, 상기 제 1 광 정보를 수신하여 특징 맵을 추출하고, 콘볼루션 커널 값의 변화를 학습하는 콘볼루션 뉴럴 광학부, 상기 특징 맵을 수신하여 연결 가중치의 변화를 학습하는 홀로그램 뉴럴 광학부, 그리고 상기 홀로그램 뉴런 광학부로부터 제 2 광 정보를 수신하여 출력 데이터를 생성하는 출력 광학부를 포함할 수 있다.
실시 예로서, 상기 입력 광학부는 뉴런 정보를 공간 광 변조기에 입력하여 가간섭성 평행광을 출력할 수 있다.
실시 예로서, 상기 콘볼루션 뉴럴 광학부는 제 1 및 제 2 푸리에 렌즈들을 포함하고, 그리고 상기 제 1 및 제 2 푸리에 렌즈들의 공통 초점면에 위치하여 광 정보를 저장 또는 삭제하는 공간 필터를 포함할 수 있다.
실시 예로서, 상기 콘볼루션 뉴럴 광학부는 상기 제 1 및 제 2 푸리에 렌즈들 각각의 다른 초점면에 위치하는 제 1 및 제 2 비선형 에탈론 패널들을 포함하고, 상기 제 1 및 제 2 비선형 에탈론 패널들 및 상기 공간 필터는 하나의 콘볼루션 뉴럴 퍼셉트론을 형성하여 오류 역전파 알고리즘을 수행할 수 있다.
실시 예로서, 상기 제 1 광 정보는 상기 공간 필터를 통하여 비회절 빔 및 회절 빔으로 분리되고, 상기 제 2 비선형 에탈론 패널은 상기 회절 빔을 반사하고, PCM(phase conjugate mirror)는 상기 비회절 빔을 반사할 수 있다.
실시 예로서, 상기 공간 필터는 상기 반사된 회절 빔 및 상기 반사된 비회절 빔에 의해 형성되는 간섭무늬를 기록할 수 있다.
실시 예로서, 상기 공간 필터는 목표 광 정보에 대한 오차를 포함하는 상기 반사된 회절 빔을 통하여 상기 콘볼루션 커널 값을 갱신할 수 있다.
실시 예로서, 상기 콘볼루션 뉴럴 광학부는 광학적으로 오류 역전파 알고리즘을 반복하여 상기 콘볼루션 커널 값을 순차적으로 갱신할 수 있다.
실시 예로서, 상기 홀로그램 뉴럴 광학부는 체적 홀로그램에 상기 연결 가중치를 기록할 수 있다.
실시 예로서, 상기 홀로그램 뉴럴 광학부는 비선형 에탈론 소자를 이용하여 상기 연결 가중치를 순차적으로 갱신할 수 있다.
실시 예로서, 상기 홀로그램 뉴럴 광학부는 제 1 및 제 2 비선형 에탈론 패널들 사이에 배치된 체적 홀로그램을 포함하고, 상기 체적 홀로그램은 상기 제 2 비선형 에탈론 패널에 의해 반사된 회절 빔 및 PCM에 의해 반사된 비회절 빔의 간섭무늬를 기록할 수 있다.
실시 예로서, 상기 기록된 간섭무늬는 상기 연결 가중치이고, 상기 홀로그램 뉴럴 광학부는 광학적으로 오류 역전파 알고리즘을 반복하여 상기 연결 가중치를 순차적으로 갱신할 수 있다.
실시 예로서, 상기 출력 광학부는 학습 과정의 경우 목표 광 정보를 설정하고, 상기 목표 광 정보와 상기 출력 데이터를 비교하여 오차 값을 계산할 수 있다.
실시 예로서, 상기 출력 광학부는 시험 과정의 경우 상기 출력 데이터를 출력할 수 있다.
본 발명의 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템은 입력 데이터를 수신하여 제 1 광 정보로 변환하는 입력 광학부, 상기 제 1 광 정보를 수신하여 복수의 특징 맵들을 추출하고, 콘볼루션 커널 값의 변화를 학습하는 콘볼루션 뉴럴 광학부, 상기 특징 맵들을 수신하여 연결 가중치의 변화를 학습하는 홀로그램 뉴럴 광학부, 그리고 상기 홀로그램 뉴럴 광학부로부터 제 2 광 정보를 수신하여 출력 데이터를 생성하는 출력 광학부를 포함하되, 상기 콘볼루션 뉴럴 광학부는 복수의 콘볼루션 뉴럴 네트워크 층들을 포함하고, 상기 콘볼루션 뉴럴 네트워크 층들은 서로 다른 특징 맵들을 추출할 수 있다.
실시 예로서, 상기 콘볼루션 뉴럴 네트워크 층들 각각은 복수의 콘볼루션 뉴럴 단위 셀들을 포함하고, 상기 콘볼루션 뉴럴 단위 셀들 각각은 서로 다른 공간 필터를 포함할 수 있다.
실시 예로서, 상기 콘볼루션 뉴럴 단위 셀들은 병렬로 조합되어 상기 특징 맵들을 추출할 수 있다.
실시 예로서, 상기 콘볼루션 뉴럴 광학부는 상기 콘볼루션 뉴럴 네트워크 층들 사이에서 광 정보를 전달하는 분광부를 포함할 수 있다.
본 발명의 실시 예에 따르면, 콘볼루션 뉴럴 광학부 및 홀로그램 뉴럴 광학부를 이용하여 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템을 제공할 수 있다.
도 1은 본 발명의 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다.
도 2는 도 1의 콘볼루션 뉴럴 광학부의 실시 예를 보여주는 도면이다.
도 3a 및 도 3b는 오류 역전파를 수행하는 비선형 에탈론 소자의 특성을 나타낸 도면이다.
도 4는 도 1의 홀로그램 뉴런 광학부의 실시 예를 보여주는 도면이다.
도 5는 도 1의 홀로그램 뉴런 광학부의 다른 실시 예를 보여주는 도면이다.
도 6은 본 발명의 다른 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다.
도 7은 본 발명의 또 다른 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다.
도 2는 도 1의 콘볼루션 뉴럴 광학부의 실시 예를 보여주는 도면이다.
도 3a 및 도 3b는 오류 역전파를 수행하는 비선형 에탈론 소자의 특성을 나타낸 도면이다.
도 4는 도 1의 홀로그램 뉴런 광학부의 실시 예를 보여주는 도면이다.
도 5는 도 1의 홀로그램 뉴런 광학부의 다른 실시 예를 보여주는 도면이다.
도 6은 본 발명의 다른 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다.
도 7은 본 발명의 또 다른 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다.
앞의 일반적인 설명 및 다음의 상세한 설명 모두 예시적이라는 것이 이해되어야 하며, 청구된 발명의 부가적인 설명이 제공되는 것으로 여겨져야 한다. 참조부호들이 본 발명의 바람직한 실시 예들에 상세히 표시되어 있으며, 그것의 예들이 참조 도면들에 표시되어 있다. 가능한 어떤 경우에도, 동일한 참조 번호들이 동일한 또는 유사한 부분을 참조하기 위해서 설명 및 도면들에 사용된다.
이하에서는, 광학 콘볼루션 뉴럴 네트워크 시스템이 본 발명의 특징 및 기능을 설명하기 위한 장치의 한 예로서 사용될 것이다. 하지만, 이 기술 분야에 정통한 사람은 여기에 기재된 내용에 따라 본 발명의 다른 이점들 및 성능을 쉽게 이해할 수 있을 것이다. 또한, 본 발명은 다른 실시 예들을 통해 구현되거나 적용될 수 있을 것이다. 게다가, 상세한 설명은 본 발명의 범위, 기술적 사상 그리고 다른 목적으로부터 상당히 벗어나지 않고, 관점 및 응용에 따라 수정되거나 변경될 수 있다.
도 1은 본 발명의 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다. 도 1을 참조하면, 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 입력 광학부(110), 콘볼루션 뉴럴 광학부(120), 홀로그램 뉴럴 광학부(130) 및 출력 광학부(140)를 포함할 수 있다. 입력 광학부(110)는 입력 데이터를 수신하여 제 1 광 정보(OPT1)를 생성할 수 있다. 콘볼루션 뉴럴 광학부(120)는 제 1 광 정보(OPT1)를 수신하여 특징 맵을 포함하는 제 2 광 정보(OPT2)를 출력할 수 있다. 홀로그램 뉴럴 광학부(130)는 제 2 광 정보(OPT2)를 수신하여 연결 가중치를 적용한 제 3 광 정보(OPT3)를 출력할 수 있다. 출력 광학부(140)는 제 3 광 정보(OPT3)를 수신하여 출력 데이터를 출력할 수 있다.
입력 광학부(110)는 입력 데이터를 수신할 수 있다. 예를 들면, 입력 광학부(110)는 입력 데이터를 수신하여 광 정보를 생성할 수 있다. 예시적으로 입력 데이터는 뉴런 정보일 수 있다. 입력 광학부(110)는 뉴런 정보를 공간 광 변조기(spatial light modulator; SLM)에 입력할 수 있다. 또한, 입력 광학부(110)는 뉴런 정보를 이용하여 가간섭성 평행광(이하에서 광 정보)을 생성할 수 있다. 생성된 광 정보는 콘볼루션 뉴럴 광학부(120)에 전달될 수 있다. 입력 광학부(110)는 LCD(liquid crystal display)를 포함할 수 있다.
콘볼루션 뉴럴 광학부(120)는 수신된 광 정보로부터 특징 맵을 추출할 수 있다. 예를 들면, 콘볼루션 뉴럴 광학부(120)는 공간 필터를 이용하여 특징 맵을 추출할 수 있다. 또한, 콘볼루션 뉴럴 광학부(120)는 콘볼루션 커널 값을 학습할 수 있다. 일반적으로 콘볼루션은 신호를 곱하는 방법 중 하나이다. 예를 들면, 그래프 상에서 두 신호가 중첩되는 경우, 중첩되는 부분의 넓이를 의미한다. 특징 맵은 입력된 신호, 즉, 제 1 광 정보(OPT1)의 일부를 의미한다.
홀로그램 뉴럴 광학부(130)는 뉴런 간 연결 가중치(interconnection weights)를 기록하고 학습할 수 있다. 홀로그램 뉴럴 광학부(130)는 체적 홀로그램 소자 및 비선형 에탈론 소자를 이용하여 오류 역전파 알고리즘을 수행할 수 있다. 예를 들면, 체적 홀로그램은 물체파와 참조파의 간섭으로 공간에 만들어져 있는 간섭 무늬를 두꺼운 감광 재료에 3차원적으로 기록한 홀로그램을 말한다. 파면의 재생은 브랙의 법칙을 따라 행해지고, 직접상 또는 공액상 중 하나만이 재생된다. 투과형의 홀로그램을 재생하기 위한 조명파는 입사 각도가 좁은 범위에 한정되기 때문에 하나의 홀로그램에 많은 물체 정보를 축적하여 분리 재생할 수 있다. 한편 리프만 홀로그램은 재생되는 파장이 극히 좁은 범위에 한정되므로 백색광을 사용해도 재생을 할 수가 있다.
출력 광학부(140)는 학습 과정에서 목표 광 정보를 표시하고 광학적으로 처리된 값과 비교하여 오차 값을 분석할 수 있다. 또한, 출력 광학부(140)는 시험 과정에서는 최종 광 정보를 출력할 수 있다. 예를 들면, 학습 과정의 경우, 출력 광학부(140)는 목표 광 정보를 설정할 수 있다. 출력 광학부(140)는 목표 광 정보와 출력 데이터를 비교하여 그 오차를 콘볼루션 뉴럴 광학부(120) 및 홀로그램 뉴럴 광학부(130)에 반영할 수 있다. 학습 과정을 마친 후 시험 과정의 경우, 출력 광학부(140)는 목표 광 정보를 제거할 수 있다. 따라서, 출력 광학부(140)는 입력 데이터에 대응하는 출력 데이터를 출력할 수 있다.
본 발명에 따른 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 광 굴절 홀로그램 기록 소자 및 비선형 에탈론 소자를 이용하여 단일 콘볼루션 뉴럴 퍼셉트론을 생성하고 조합할 수 있다. 콘볼루션 뉴럴 퍼셉트론은 다양한 특징 맵을 추출할 수 있다. 따라서, 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 광학적으로 콘볼루션 뉴럴 컴퓨팅 기술을 구현할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 방대한 데이터 처리 및 전력 소모 문제를 해결할 수 있다.
도 2는 도 1의 콘볼루션 뉴럴 광학부의 실시 예를 보여주는 도면이다. 도 2를 참조하면, 콘볼루션 뉴럴 광학부(120)는 제 1 및 제 2 비선형 에탈론 패널들(121, 125), 제 1 및 제 2 푸리에 렌즈들(122, 124), 공간 필터(spatial filter; 123) 및 PCM(phase conjugate mirror; 126)를 포함할 수 있다.
콘볼루션 뉴럴 광학부(120)는 4f 이미징 광학계를 적절히 배치하여 구성할 수 있다. 예를 들면, 공간 필터(123)는 제 1 및 제 2 푸리에 렌즈들(122, 124)의 공통 초점면에 위치하여 광 정보를 기록하거나 지울 수 있다. 제 1 비선형 에탈론 패널(121)은 제 1 푸리에 렌즈(122)의 전방 초점면에 배치될 수 있다. 제 2 비선형 에탈론 패널(125)은 제 2 푸리에 렌즈(124)의 후방 초점면에 배치될 수 있다. 제 1 및 제 2 비선형 에탈론 패널들(121, 125)은 오류 역전파 알고리즘을 수행할 수 있다. 제 1 및 제 2 비선형 에탈론 패널들(121, 125)은 비선형 파브리-페롯 에탈론(nonlinear Fabry-Perot etalon; NLFP) 혹은 임계 변환 특성을 갖는 양방향 공간 광변조 패널을 사용할 수 있다. 다만, 제 1 및 제 2 비선형 에탈론 패널들(121, 125)은 이것에 제한되지 않는다.
공간 필터(123)에 입사하는 제 1 광 정보(OPT1)는 비회절 빔과 회절 빔으로 나누어 진행한다. 예를 들면, 비회절 빔은 PCM(126)에서 반사하여 공간 필터(123)로 돌아올 수 있다. 회절 빔은 제 2 비선형 에탈론 패널(125)에서 반사하여 공간 필터(123)로 돌아올 수 있다. 비회절 빔 및 회절 빔은 공간 필터(123)에서 만나 간섭무늬를 기록할 수 있다.
공간 필터(123)는 대상의 공간 패턴 내에서 특정한 공간 주파수만을 선택할 수 있다. 예를 들면, 공간 필터(123)는 공간 영역에서 병렬적으로 신호처리를 할 수 있다. 공간 필터(123)는 입력된 이미지의 윤곽 강조, 평활화, 미분 처리 등을 수행할 수 있다.
회절 빔은 목표값에 대한 오차를 가지고 역전파하기 때문에 공간 필터(123)에 기록되어 있는 콘볼루션 커널 값을 갱신할 수 있다. 이 때, 콘볼루션 뉴럴 광학부(120)는 오류 역전파 알고리즘을 광학적으로 반복하여 콘볼루션 커널 값을 순차적으로 최적화 할 수 있다.
공간 필터(123)로 사용되는 광 굴절 매질은 체적 홀로그램을 임의로 기록하거나 지울 수 있다. 예를 들면, 공간 필터(123)는 BaTiO3, LiNbO3, 및 Bi12SiO20 등의 단결정을 광 굴절 매질로 사용할 수 있다.
PCM(126)은 공간 필터(123)를 통과한 비회절 빔을 반사할 수 있다. 예를 들면, PCM(126)은 제 1 광 정보(OPT1)의 진행 선 상에 배치될 수 있다. PCM(126)은 공간 필터(123)를 중심으로 제 1 비선형 에탈론 패널(121)의 반대편에 배치될 수 있다. PCM(126)은 공간 필터(123)로부터 푸리에 렌즈의 두 배의 초점면에 배치될 수 있다. PCM(126)은 비선형 Kerr 효과를 나타내는 전기광학 매질을 사용할 수 있다.
본 발명에 따른 콘볼루션 뉴럴 광학부(120)는 비선형 에탈론 소자 및 공간 필터를 이용하여 단일 콘볼루션 뉴럴 퍼셉트론을 생성할 수 있다. 콘볼루션 뉴럴 퍼셉트론은 다양한 특징 맵을 추출할 수 있다. 공간 필터(123)는 광학적으로 콘볼루션 커널 값을 기록 및 갱신할 수 있다. 따라서, 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 광학적으로 콘볼루션 뉴럴 컴퓨팅 기술을 구현할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 방대한 데이터 처리 및 전력 소모 문제를 해결할 수 있다.
도 3a 및 도 3b는 오류 역전파를 수행하는 비선형 에탈론 소자의 특성을 나타낸 도면이다. 도 3a 및 도 3b를 참조하면, 비선형 에탈론 소자에 순방향으로 진행하는 빔은 시그모이드 함수, σ(x) = 1/(1+exp(-x))와 같은 임계 변환을 한다. 반면에, 비선형 에탈론 소자에 역방향으로 진행하는 빔은 목표 값과의 오차와 임계함수 미분과의 곱으로 표현된다. 이 때 연결 가중치(ΔW)는 δx 로 갱신하게 되며, 여기서 δ=εσ'(x)이다.
도 4는 도 1의 홀로그램 뉴런 광학부의 실시 예를 보여주는 도면이다. 도 4를 참조하면, 홀로그램 뉴럴 광학부(130a)는 제 3 및 제 4 비선형 에탈론 패널들(131a, 133a), 체적 홀로그램(132a) 및 PCM(134a)을 포함할 수 있다.
홀로그램 뉴럴 광학부(130a)는 콘볼루션 뉴럴 광학부(120)와 출력 광학부(140) 사이에 배치되어 연결 가중치를 최적화할 수 있다. 예를 들면, 홀로그램 뉴럴 광학부(130a)는 체적 홀로그램(132a)에 연결 가중치를 기록하고, 제 3 및 제 4 비선형 에탈론 패널들(131a, 133a)의 연결 가중치를 최적화할 수 있다.
예를 들면, 체적 홀로그램(132a)은 PCM(134a)에서 반사하는 비회절 빔과 제 4 비선형 에탈론 패널(133a)에서 반사하는 회절 빔의 간섭무늬를 기록할 수 있다. 기록된 간섭무늬는 네트워크 층간 뉴런들의 연결 가중치가 될 수 있다. 또한, 기록된 간섭무늬는 오류 역전파 알고리즘을 통해 광학적으로 반복 실행될 수 있다. 따라서, 홀로그램 뉴럴 광학부(130a)는 오류 역전파 알고리즘을 통해 연결 가중치를 갱신하여 학습할 수 있다. 또한, 홀로그램 뉴럴 광학부(130a)는 연결 가중치를 효율적으로 학습하기 위해 단일 광학계를 순차적으로 배치하여 다층 뉴럴 네트워크를 구성할 수 있다.
본 발명에 따른 홀로그램 뉴럴 광학부(130)는 광 굴절 홀로그램 기록 소자 및 비선형 에탈론 소자를 이용하여 연결 가중치를 기록 및 갱신할 수 있다. 따라서, 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 광학적으로 콘볼루션 뉴럴 컴퓨팅 기술을 구현할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(100)은 방대한 데이터 처리 및 전력 소모 문제를 해결할 수 있다.
도 5는 도 1의 홀로그램 뉴런 광학부의 다른 실시 예를 보여주는 도면이다. 도 5를 참조하면, 홀로그램 뉴런 광학부(130b)는 제 3 및 제 4 비선형 에탈론 패널들(131b, 133b) 및 광 굴절 패널(132b)을 포함할 수 있다.
광 굴절 패널(132b)은 비선형 전기광학 Kerr 효과를 나타낼 수 있다. 따라서, 홀로그램 뉴런 광학부(130b)는 복잡한 광학계 없이 직렬로 배치하여 구조를 단순화 할 수 있다.
도 6은 본 발명의 다른 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다. 도 6을 참조하면, 광학 콘볼루션 뉴럴 네트워크 시스템(200)은 입력 광학부(210), 콘볼루션 뉴럴 광학부(220), 홀로그램 뉴럴 광학부(230) 및 출력 광학부(240)를 포함할 수 있다. 콘볼루션 뉴럴 광학부(220)는 복수의 특징 맵들을 추출하여 오류 역전파 알고리즘을 수행할 수 있다.
콘볼루션 뉴럴 광학부(220)는 제 1 및 제 2 분광부들(220_a1, 220_a2) 및 뉴럴 단위 셀부(220_b)를 포함할 수 있다. 예를 들면, 제 1 분광부(220_a1)는 제 1 및 제 2 분광기(PR1, PR2)를 포함할 수 있다. 제 2 분광부(220_a2)는 제 3 및 제 4 분광기(PR3, PR4)를 포함할 수 있다. 뉴럴 단위 셀부(220_b)는 제 1 및 제 2 콘볼루션 뉴럴 단위 셀들(CN1, CN2)을 포함할 수 있다. 제 1 및 제 2 콘볼루션 뉴럴 단위 셀들(CN1, CN2)은 도 2의 콘볼루션 뉴럴 광학부(120)와 동일 또는 유사한 구조를 가질 수 있다. 제 1 및 제 2 콘볼루션 뉴럴 단위 셀들(CN1, CN2)은 서로 다른 공간 필터를 사용하여 다양한 특징 맵들을 추출할 수 있다.
제 1 분광기(PR1)는 제 1 광 정보(OPT1)를 분리하여 제 1 콘볼루션 뉴럴 단위 셀(CN1) 및 제 2 분광기(PR2)로 전달할 수 있다. 제 2 분광기(PR2)는 제 2 콘볼루션 뉴럴 단위 셀(CN2)로 광 정보를 전달할 수 있다. 제 1 콘볼루션 뉴럴 단위 셀(CN1)은 특징 맵을 추출하여 제 3 분광기(PR3)로 전달할 수 있다. 제 3 분광기(PR3)는 추출된 특징 맵을 제 4 분광기(PR4)로 전달할 수 있다. 제 2 콘볼루션 뉴럴 단위 셀(CN2)은 특징 맵을 추출하여 제 4 분광기(PR4)로 전달할 수 있다. 제 4 분광기(PR4)는 복수의 특징 맵들을 포함하는 제 2 광 정보(OPT2)를 홀로그램 뉴럴 광학부(230)로 전달할 수 있다.
본 발명에 따른 광학 콘볼루션 뉴럴 네트워크 시스템(200)은 광 굴절 홀로그램 기록 소자 및 비선형 에탈론 소자를 이용하여 단일 콘볼루션 뉴럴 퍼셉트론을 생성하고 조합할 수 있다. 콘볼루션 뉴럴 퍼셉트론은 다양한 특징 맵을 추출할 수 있다. 따라서, 광학 콘볼루션 뉴럴 네트워크 시스템(200)은 광학적으로 콘볼루션 뉴럴 컴퓨팅 기술을 구현할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(200)은 방대한 데이터 처리 및 전력 소모 문제를 해결할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(200)은 다양한 특징 맵들을 통하여 효율적인 뉴럴 컴퓨팅 기술을 제공할 수 있다.
도 7은 본 발명의 또 다른 실시 예에 따른 광학 콘볼루션 뉴럴 네트워크 시스템을 보여주는 블록도이다. 도 7을 참조하면, 광학 콘볼루션 뉴럴 네트워크 시스템(300)은 입력 광학부(310), 콘볼루션 뉴럴 광학부(320), 홀로그램 뉴럴 광학부(330) 및 출력 광학부(340)를 포함할 수 있다. 콘볼루션 뉴럴 광학부(320)는 복수의 뉴럴 네트워크 층을 포함할 수 있다. 각 뉴럴 네트워크 층은 복수의 콘볼루션 뉴럴 단위 셀들을 포함할 수 있다. 콘볼루션 뉴럴 단위 셀들은 서로 다른 공간 필터를 통하여 서로 다른 특징 맵들을 추출할 수 있다.
콘볼루션 뉴럴 광학부(320)는 제 1 내지 제 3 분광부들(320_a1, 320_a2, 320_a3), 제 1 및 제 2 뉴럴 단위 셀부들(320_b1, 320_b2)를 포함할 수 있다. 예를 들면, 제 1 분광부(320_a1)는 두 개의 분광기들을 포함할 수 있다. 제 2 및 제 3 분광부들(320_a2, 320_a3)은 여섯 개의 분광기들을 포함할 수 있다. 하지만, 분광기의 개수는 이에 한정되지 않는다. 분광기의 개수는 콘볼루션 뉴럴 셀의 개수에 따라 달라질 수 있다.
제 1 뉴럴 단위 셀부(320_b1)는 두 개의 콘볼루션 뉴럴 단위 셀들을 포함할 수 있다. 제 2 뉴럴 단위 셀부(320_b2)는 여섯 개의 콘볼루션 뉴럴 단위 셀들을 포함할 수 있다. 다만, 콘볼루션 뉴럴 단위 셀들의 개수는 이것에 한정되지 않는다. 도 7의 콘볼루션 뉴럴 단위 셀들 각각은 도 2의 콘볼루션 뉴럴 광학부(120)와 동일 또는 유사한 구조를 가질 수 있다. 콘볼루션 뉴럴 단위 셀들은 서로 다른 공간 필터를 사용하여 다양한 특징 맵들을 추출할 수 있다.
분광기(PR1)는 제 1 광 정보(OPT1)를 분리하여 제 1 뉴럴 단위 셀부(320_b1)의 콘볼루션 뉴럴 단위 셀들 중 하나 및 제 1 분광부(320_a1)에 포함된 다른 분광기로 전달할 수 있다. 제 1 및 제 2 뉴럴 단위 셀부들(320_b1, 320_b2)에 포함된 콘볼루션 뉴럴 단위 셀들은 각각 서로 다른 특징 맵을 추출할 수 있다. 제 1 내지 제 3 분광부들(320_a1, 320_a2, 320_a3)에 포함된 분광기들 각각은 전달받은 광 정보를 분리 또는 전달할 수 있다. 최종적으로, 분광기(PRn)는 복수의 특징 맵들을 포함하는 제 2 광 정보(OPT2)를 홀로그램 뉴럴 광학부(330)로 전달할 수 있다.
본 발명에 따른 광학 콘볼루션 뉴럴 네트워크 시스템(300)은 광 굴절 홀로그램 기록 소자 및 비선형 에탈론 소자를 이용하여 단일 콘볼루션 뉴럴 퍼셉트론을 생성하고 조합할 수 있다. 콘볼루션 뉴럴 퍼셉트론은 다양한 특징 맵을 추출할 수 있다. 따라서, 광학 콘볼루션 뉴럴 네트워크 시스템(300)은 광학적으로 콘볼루션 뉴럴 컴퓨팅 기술을 구현할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(300)은 방대한 데이터 처리 및 전력 소모 문제를 해결할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(300)은 복수의 뉴럴 네트워크 층들을 포함할 수 있다. 또한, 각 뉴럴 네트워크 층은 다양한 특징 맵들을 추출하는 복수의 콘볼루션 뉴럴 단위 셀들을 포함할 수 있다. 광학 콘볼루션 뉴럴 네트워크 시스템(300)은 다양한 특징 맵들을 통하여 효율적인 뉴럴 컴퓨팅 기술을 제공할 수 있다.
이상에서와 같이 도면과 명세서에서 실시 예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100, 200, 300: 광학 콘볼루션 뉴럴 네트워크 시스템
110, 210, 310: 입력 광학부
120, 220, 320: 콘볼루션 뉴럴 광학부
130, 230, 330: 홀로그램 뉴럴 광학부
140, 240, 340: 출력 광학부
121: 제 1 비선형 에탈론 패널
122: 제 1 푸리에 렌즈
123: 공간 필터
124: 제 2 푸리에 렌즈
125: 제 2 비선형 에탈론 패널
126, 134a: PCM
131: 제 3 비선형 에탈론 패널
132a: 체적 홀로그램
132b: 광 굴절 패널
133: 제 4 비선형 에탈론 패널
110, 210, 310: 입력 광학부
120, 220, 320: 콘볼루션 뉴럴 광학부
130, 230, 330: 홀로그램 뉴럴 광학부
140, 240, 340: 출력 광학부
121: 제 1 비선형 에탈론 패널
122: 제 1 푸리에 렌즈
123: 공간 필터
124: 제 2 푸리에 렌즈
125: 제 2 비선형 에탈론 패널
126, 134a: PCM
131: 제 3 비선형 에탈론 패널
132a: 체적 홀로그램
132b: 광 굴절 패널
133: 제 4 비선형 에탈론 패널
Claims (18)
- 입력 데이터를 수신하여 제 1 광 정보로 변환하는 입력 광학부;
상기 제 1 광 정보를 수신하여 특징 맵을 추출하고, 콘볼루션 커널 값의 변화를 학습하는 콘볼루션 뉴럴 광학부;
상기 특징 맵을 수신하여 연결 가중치의 변화를 학습하는 홀로그램 뉴럴 광학부; 그리고
상기 홀로그램 뉴런 광학부로부터 제 2 광 정보를 수신하여 출력 데이터를 생성하는 출력 광학부를 포함하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 입력 광학부는 뉴런 정보를 공간 광 변조기에 입력하여 가간섭성 평행광을 출력하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 콘볼루션 뉴럴 광학부는 제 1 및 제 2 푸리에 렌즈들을 포함하고, 그리고 상기 제 1 및 제 2 푸리에 렌즈들의 공통 초점면에 위치하여 광 정보를 저장 또는 삭제하는 공간 필터를 포함하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 3 항에 있어서,
상기 콘볼루션 뉴럴 광학부는 상기 제 1 및 제 2 푸리에 렌즈들 각각의 다른 초점면에 위치하는 제 1 및 제 2 비선형 에탈론 패널들을 포함하고,
상기 제 1 및 제 2 비선형 에탈론 패널들 및 상기 공간 필터는 하나의 콘볼루션 뉴럴 퍼셉트론을 형성하여 오류 역전파 알고리즘을 수행하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 4 항에 있어서,
상기 제 1 광 정보는 상기 공간 필터를 통하여 비회절 빔 및 회절 빔으로 분리되고,
상기 제 2 비선형 에탈론 패널은 상기 회절 빔을 반사하고,
PCM(phase conjugate mirror)은 상기 비회절 빔을 반사하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 5 항에 있어서,
상기 공간 필터는 상기 반사된 회절 빔 및 상기 반사된 비회절 빔에 의해 형성되는 간섭무늬를 기록하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 5 항에 있어서,
상기 공간 필터는 목표 광 정보에 대한 오차를 포함하는 상기 반사된 회절 빔을 통하여 상기 콘볼루션 커널 값을 갱신하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 콘볼루션 뉴럴 광학부는 광학적으로 오류 역전파 알고리즘을 반복하여 상기 콘볼루션 커널 값을 순차적으로 갱신하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 홀로그램 뉴럴 광학부는 체적 홀로그램에 상기 연결 가중치를 기록하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 홀로그램 뉴럴 광학부는 비선형 에탈론 소자를 이용하여 상기 연결 가중치를 순차적으로 갱신하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 홀로그램 뉴럴 광학부는 제 1 및 제 2 비선형 에탈론 패널들 사이에 배치된 체적 홀로그램을 포함하고,
상기 체적 홀로그램은 상기 제 2 비선형 에탈론 패널에 의해 반사된 회절 빔 및 PCM에 의해 반사된 비회절 빔의 간섭무늬를 기록하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 11 항에 있어서,
상기 기록된 간섭무늬는 상기 연결 가중치이고,
상기 홀로그램 뉴럴 광학부는 광학적으로 오류 역전파 알고리즘을 반복하여 상기 연결 가중치를 순차적으로 갱신하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 출력 광학부는 학습 과정의 경우 목표 광 정보를 설정하고, 상기 목표 광 정보와 상기 출력 데이터를 비교하여 오차 값을 계산하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 1 항에 있어서,
상기 출력 광학부는 시험 과정의 경우 상기 출력 데이터를 출력하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 입력 데이터를 수신하여 제 1 광 정보로 변환하는 입력 광학부;
상기 제 1 광 정보를 수신하여 복수의 특징 맵들을 추출하고, 콘볼루션 커널 값의 변화를 학습하는 콘볼루션 뉴럴 광학부;
상기 특징 맵들을 수신하여 연결 가중치의 변화를 학습하는 홀로그램 뉴럴 광학부; 그리고
상기 홀로그램 뉴럴 광학부로부터 제 2 광 정보를 수신하여 출력 데이터를 생성하는 출력 광학부를 포함하되,
상기 콘볼루션 뉴럴 광학부는 복수의 콘볼루션 뉴럴 네트워크 층들을 포함하고,
상기 콘볼루션 뉴럴 네트워크 층들은 서로 다른 특징 맵들을 추출하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 15 항에 있어서,
상기 콘볼루션 뉴럴 네트워크 층들 각각은 복수의 콘볼루션 뉴럴 단위 셀들을 포함하고,
상기 콘볼루션 뉴럴 단위 셀들 각각은 서로 다른 공간 필터를 포함하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 16 항에 있어서,
상기 콘볼루션 뉴럴 단위 셀들은 병렬로 조합되어 상기 특징 맵들을 추출하는 광학 콘볼루션 뉴럴 네트워크 시스템. - 제 16 항에 있어서,
상기 콘볼루션 뉴럴 광학부는 상기 콘볼루션 뉴럴 네트워크 층들 사이에서 광 정보를 전달하는 분광부를 포함하는 광학 콘볼루션 뉴럴 네트워크 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160165301A KR20180064884A (ko) | 2016-12-06 | 2016-12-06 | 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160165301A KR20180064884A (ko) | 2016-12-06 | 2016-12-06 | 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180064884A true KR20180064884A (ko) | 2018-06-15 |
Family
ID=62628978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160165301A KR20180064884A (ko) | 2016-12-06 | 2016-12-06 | 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20180064884A (ko) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019235809A1 (ko) | 2018-06-05 | 2019-12-12 | 주식회사 엘지화학 | 적층체 및 이를 포함하는 액정 표시 장치 |
| CN111582468A (zh) * | 2020-04-02 | 2020-08-25 | 清华大学 | 光电混合智能数据生成计算系统及方法 |
| KR20210085543A (ko) | 2019-12-30 | 2021-07-08 | 광운대학교 산학협력단 | 인공지능 및 딥러닝 기술을 이용한 디지털 홀로그램의 생성 방법 |
| KR102277103B1 (ko) | 2020-02-25 | 2021-07-15 | 광운대학교 산학협력단 | 딥러닝 기반의 홀로그램의 고속 생성을 위한 방법 |
| KR102277101B1 (ko) | 2020-01-29 | 2021-07-15 | 광운대학교 산학협력단 | 프린지 패턴을 영역별로 학습하는 인공지능 및 딥러닝 기반 초고해상도 홀로그램 생성방법 |
| KR102277100B1 (ko) | 2020-01-29 | 2021-07-15 | 광운대학교 산학협력단 | 인공지능 및 딥러닝 기술을 이용한 랜덤위상을 갖는 홀로그램 생성방법 |
| US11200487B1 (en) * | 2016-12-30 | 2021-12-14 | X Development Llc | Optical processing system |
| 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 |
| WO2024039154A1 (ko) * | 2022-08-18 | 2024-02-22 | 삼성전자 주식회사 | 3d 영상을 표시하기 위한 전자 장치 및 전자 장치의 동작 방법 |
-
2016
- 2016-12-06 KR KR1020160165301A patent/KR20180064884A/ko unknown
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11200487B1 (en) * | 2016-12-30 | 2021-12-14 | X Development Llc | Optical processing system |
| WO2019235809A1 (ko) | 2018-06-05 | 2019-12-12 | 주식회사 엘지화학 | 적층체 및 이를 포함하는 액정 표시 장치 |
| KR20210085543A (ko) | 2019-12-30 | 2021-07-08 | 광운대학교 산학협력단 | 인공지능 및 딥러닝 기술을 이용한 디지털 홀로그램의 생성 방법 |
| KR102277101B1 (ko) | 2020-01-29 | 2021-07-15 | 광운대학교 산학협력단 | 프린지 패턴을 영역별로 학습하는 인공지능 및 딥러닝 기반 초고해상도 홀로그램 생성방법 |
| KR102277100B1 (ko) | 2020-01-29 | 2021-07-15 | 광운대학교 산학협력단 | 인공지능 및 딥러닝 기술을 이용한 랜덤위상을 갖는 홀로그램 생성방법 |
| KR102277103B1 (ko) | 2020-02-25 | 2021-07-15 | 광운대학교 산학협력단 | 딥러닝 기반의 홀로그램의 고속 생성을 위한 방법 |
| CN111582468A (zh) * | 2020-04-02 | 2020-08-25 | 清华大学 | 光电混合智能数据生成计算系统及方法 |
| CN111582468B (zh) * | 2020-04-02 | 2022-08-09 | 清华大学 | 光电混合智能数据生成计算系统及方法 |
| 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 |
| 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 |
| WO2024039154A1 (ko) * | 2022-08-18 | 2024-02-22 | 삼성전자 주식회사 | 3d 영상을 표시하기 위한 전자 장치 및 전자 장치의 동작 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20180064884A (ko) | 홀로그램 기술 기반의 광학 콘볼루션 뉴럴 네트워크 시스템 | |
| Barbastathis et al. | Multidimensional tomographic imaging using volume holography | |
| Paek et al. | Optical associative memory using Fourier transform holograms | |
| US4963725A (en) | Adaptive optical neural network | |
| Katkovnik et al. | ADMM and spectral proximity operators in hyperspectral broadband phase retrieval for quantitative phase imaging | |
| US5016976A (en) | Modified compact 2f optical correlator | |
| Chen et al. | Image reconstruction of scattered vortex light field based on deep learning | |
| Silveira et al. | Optical finite impulse response neural networks | |
| Fei et al. | Zero-power optical convolutional neural network using incoherent light | |
| US3539242A (en) | On-axis holography | |
| Silveira | Optoelectronic neural networks | |
| Tiwari et al. | A compact and lens less digital holography setup for polarimetric analysis of spatial light modulator | |
| Sheridan et al. | Holography: 50th Anniversary of Dennis Gabor’s Nobel Prize. Part II. An Engineering Perspective | |
| Li et al. | Optical image self-convolution based on second-harmonic generation with a single spatial light modulator | |
| Paek et al. | VanderLugt correlator and neural networks | |
| Orlov et al. | On modeling of the biological memory associative properties by the volume superimposed holograms technique | |
| Ghahramani et al. | Orthonormalization procedure for optical resonator neural networks | |
| Sui et al. | Non-convex optimization for inverse problem solving in computer-generated holography | |
| Silveira et al. | Optical finite impulse response neural networks | |
| CN117454949A (zh) | 全光学卷积神经网络装置 | |
| Wang et al. | Matrix-based integral transformations for Stokes imaging with partially polarized and partially coherent light | |
| Yu et al. | Pattern recognition with optics | |
| Horisaki | Computational imaging with randomness | |
| Kazanskiy et al. | Optical Computing: Key Problems, Achievements, and Perspectives | |
| Kilpeläinen | Deep Learning for Phase Retrieval in Lensless Imaging |