Le réseau de neurones profonds diffractifs est un cadre d'apprentissage automatique optique qui associe l'apprentissage en profondeur à la diffraction optique et à l'interaction lumière-matière pour concevoir des surfaces diffractives qui effectuent collectivement des calculs optiques à la vitesse de la lumière. Un réseau de neurones diffractifs est d'abord conçu dans un ordinateur en utilisant des techniques d'apprentissage en profondeur, suivi de la fabrication physique des couches conçues du réseau de neurones en utilisant, par exemple, Impression 3D ou lithographie. Étant donné que la connexion entre les plans d'entrée et de sortie d'un réseau de neurones diffractifs est établie par diffraction de la lumière à travers des couches passives, le processus d'inférence et le calcul optique associé ne consomment aucune énergie à l'exception de la lumière utilisée pour éclairer l'objet d'intérêt.

Développé par des chercheurs de l'UCLA, les réseaux optiques diffractifs fournissent une faible puissance, plateforme de machine learning à faible latence et hautement évolutive pouvant trouver de nombreuses applications en robotique, véhicules autonomes, l'industrie de la défense, parmi beaucoup d'autres. En plus de fournir une inférence statistique et une généralisation à des classes de données, Les réseaux de neurones diffractifs ont également été utilisés pour concevoir des systèmes optiques déterministes tels qu'un système d'imagerie mince.

Dans ces premières manifestations, des modèles de réseaux diffractifs ont été développés pour traiter l'information à travers une seule longueur d'onde et nécessitaient donc une source d'éclairage monochromatique et cohérente, contrairement par exemple à la lumière ambiante qui est incohérente et composée d'un continuum de longueurs d'onde, ce qui en fait du haut débit. En s'attaquant à cette limite, Les chercheurs de l'UCLA ont conçu des réseaux diffractifs capables de traiter l'information en utilisant un continuum de longueurs d'onde, étendre ce cadre de calcul tout optique aux signaux optiques à large bande. Publié dans Lumière :science et applications , Les chercheurs de l'UCLA ont démontré le succès de ce nouveau cadre en créant une série de composants optiques qui filtrent la lumière d'entrée à large bande dans les sous-bandes souhaitées. Ces systèmes de diffraction basés sur l'apprentissage en profondeur contrôlent également l'emplacement précis de chaque bande de rayonnement filtrée au niveau du plan de sortie, démontrant le démultiplexage de longueur d'onde spatialement contrôlé dans la partie térahertz (THz) du spectre électromagnétique.

Après leur conception dans un ordinateur, ces réseaux diffractifs à large bande ont été fabriqués avec une imprimante 3-D et testés à l'aide d'une source THz pulsée émettant un continuum de longueurs d'onde entre 60 et 3, 000 micromètres. Les résultats expérimentaux obtenus avec ces réseaux diffractifs imprimés en 3D ont montré un très bon accord avec leurs conceptions numériques correspondantes, mettant en évidence la robustesse expérimentale des réseaux optiques diffractifs à large bande.

Cette recherche a été dirigée par le Dr Aydogan Ozcan, Professeur de génie électrique et informatique de l'UCLA et directeur associé du California NanoSystems Institute (CNSI). Les autres auteurs de ce travail sont les étudiants diplômés Yi Luo, Deniz Mengu, Mohammed Véli, chercheur post-doctoral Dr. Nezih T. Yardimci, Professeur adjoint Dr Yair Rivenson, ainsi que le professeur Mona Jarrahi, le tout avec le département ECE de l'UCLA.

« L'analyse et le traitement simultanés de la lumière sur de nombreuses longueurs d'onde présentent des opportunités uniques pour améliorer les capacités d'inférence et de généralisation des réseaux optiques diffractifs pour effectuer des tâches d'apprentissage automatique telles que la reconnaissance d'objets tout optique, ainsi que pour concevoir des composants optiques déterministes et spécifiques à la tâche, élargir l'espace de conception optique au-delà de l'intuition humaine », a déclaré le professeur Ozcan.

Cette nouvelle méthode est également largement applicable à différentes parties du spectre électromagnétique, y compris la bande visible, Et ainsi, représente une étape critique pour les réseaux optiques diffractifs vers leur utilisation généralisée dans les composants optiques modernes et les systèmes d'apprentissage automatique, couvrant un large éventail d'applications dans, par exemple, la robotique, véhicules autonomes et surveillance.