使用波长复用的衍射深度神经网络进行大规模并行通用线性变换。资料来源：加州大学洛杉矶分校的Ozcan研究小组。

在今天的数字时代，计算任务已经变得越来越复杂。这反过来又导致了数字计算机所消耗的功率呈指数级增长。因此，有必要开发能够以快速和节能的方式进行大规模计算的硬件资源。

在这方面，使用光而不是电来进行计算的光学计算机很有前景。它们有可能提供更低的延迟和降低功耗，并受益于光学系统所具有的并行性。因此，研究人员已经探索了各种光学计算设计。

例如，一个衍射光学网络是通过光学和深度学习的结合来设计的，以光学方式执行复杂的计算任务，如图像分类和重建。它包括一叠结构化的衍射层，每个衍射层都有成千上万的衍射特征/神经元。这些无源层用于控制光与物质的相互作用，以调控输入的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。在制造出结果的设计后，这个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来供电。

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，用于实现单一的线性变换（矩阵乘法）操作。但是否有可能同时实现更多的线性变换呢？最早引入衍射光学网络的加州大学洛杉矶分校的同一个研究小组最近解决了这个问题。在最近发表在《高级光子学》上的一项研究中，他们在衍射光网络中采用了一个波长复用方案，并展示了使用宽带衍射处理器来执行大规模并行线性变换操作的可行性。

加州大学洛杉矶分校校长Aydogan Ozcan教授，Samueli工程学院研究小组的负责人，简要介绍了这种光学处理器的结构和原理。"一个宽带衍射光学处理器的输入和输出视场分别有Ni和No像素。它们由连续的结构化衍射层连接，由无源透射性材料制成。一组预先确定的Nw个离散波长对输入和输出信息进行编码。每个波长专门用于一个独特的目标函数或复值线性变换，"他解释说。

"这些目标变换可以专门分配给不同的功能，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过滤器操作或神经网络中的全连接层。所有这些线性变换或所需功能都以光速同时执行，其中每个所需功能被分配到一个独特的波长。这使宽带光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，当其衍射特征的总数N大于或等于2NwNiNo时，这种波长多路复用的光学处理器设计能够以可忽略的误差近似计算Nw种独特的线性变换。这一结论通过数值模拟证实了Nw>180种独特的变换，并且对具有不同色散特性的材料有效。此外，使用更大的N（3NwNiNo）使Nw进一步增加到大约2000个独特的转化，这些转化都是以光学方式并行执行的。

关于这种新的计算设计的前景，Ozcan说："这种大规模并行的、波长复用的衍射处理器将有助于设计高通量的智能机器视觉系统和超光谱处理器，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"。

本文由光电查搜集整理，未经同行评议，请自行判断可信度。仅供学习使用。