使用空间非相干衍射光网络进行复值线性变换

　　在最先进的神经网络中，大部分计算包括线性运算，例如矩阵向量乘法和卷积。线性运算在密码学中也扮演着重要的角色。虽然gpu和tpu等专用处理器可用于执行高度并行的线性操作，但这些设备非常耗电，而且电子设备的低带宽仍然限制了它们的操作速度。光学由于其固有的并行性、大带宽和计算速度而更适合这种操作。

　　衍射深度神经网络(D2NN)，也称为衍射网络，由一组空间工程薄表面构建而成，形成了一种最近出现的光学计算架构，能够以超薄体积的光传播速度被动地执行计算任务。

　　这些特定任务的全光计算机是通过学习其组成衍射面的空间特征来数字化设计的。在这个一次性的设计过程中，优化的表面被制造和组装，形成衍射光网络的物理硬件。

　　在他们发表于《Advanced Photonics Nexus》的论文中，由校长教授兼加州大学洛杉矶分校工程创新Volgenau主席Aydogan Ozcan领导的一组研究人员介绍了一种在空间非相干照明下用衍射网络进行复值线性运算的方法。

　　以前，同一组已经证明，具有足够自由度的衍射网络可以在空间相干光下进行任意复值线性变换，误差可以忽略不计。

　　相反，对于空间非相干光，这些网络可以执行输入光强的任意线性变换，如果定义变换的矩阵元素是实数和非负的。鉴于空间非相干照明源更普遍，更容易访问，有空间非相干衍射处理器的需求日益增长，以处理非负值以外的数据。

　　通过将预处理和后处理步骤结合起来，用一组非负实数表示复数，加州大学洛杉矶分校的研究人员将空间非相干衍射网络的处理能力扩展到了复数领域。

　　他们证明，如果在设计中有足够数量的可优化的相位衍射特征，这种非相干衍射处理器可以设计成执行任意复值线性变换，误差可以忽略不计，这与输入和输出复向量空间的尺寸成比例。

　　研究人员通过使用空间非相干衍射网络对复值图像进行加密和解密，展示了这种新方案的应用。除了视觉图像加密，这种空间非相干衍射处理器在其他应用中也很有用，例如，在自动驾驶汽车中进行超快速和低功耗的自然场景处理。