Un nouveau papier en Photonique avancée démontre des améliorations distinctes des performances d'inférence et de généralisation des réseaux de neurones optiques diffractifs.

L'une des principales améliorations discutées dans le document, "La détection différentielle spécifique à la classe dans les réseaux de neurones optiques diffractifs améliore la précision de l'inférence, " intègre un schéma de détection différentielle combiné à un ensemble de réseaux optiques diffractifs fonctionnant en parallèle, où chaque réseau individuel de cet ensemble est spécialisé pour reconnaître spécifiquement un sous-groupe de classes d'objets.

Selon le boursier SPIE Aydogan Ozcan de l'Université de Californie, Los Angeles, et l'un des auteurs de l'article, ces résultats « constituent une avancée majeure pour apporter des solutions à faible consommation et à faible latence basées sur un réseau de neurones optiques pour diverses applications d'apprentissage automatique ».

Cette dernière recherche est une avancée significative pour le cadre d'apprentissage automatique optique d'Ozcan :la technologie est particulièrement importante pour reconnaître les objets cibles plus rapidement et avec beaucoup moins de puissance que les systèmes d'apprentissage automatique sur ordinateur standard. Finalement, il peut apporter des avantages majeurs pour les véhicules autonomes, la robotique et diverses applications liées à la défense, entre autres.

Ces dernières avancées systématiques dans les conceptions de réseaux optiques diffractifs ont le potentiel de faire avancer le développement de la prochaine génération, spécifique à la tâche, et des systèmes de caméras informatiques intelligents.