最近，人们对与人工智能相关的应用的光学计算平台重新产生了兴趣。由于光学信息处理的高速，大带宽和高互连性，光学非常适合于实现神经网络模型。由UCLA研究人员介绍的衍射深层神经网络(D 2 NN )构成了这样一种光学计算框架，包括连续的透射和/或反射衍射表面，可以通过光-物质相互作用来处理输入信息。这些表面是使用计算机中的标准深度学习技术设计的，然后进行制造和组装以构建物理光网络。通过在太赫兹波长下进行的实验，D 2的能力演示了将神经网络全对象分类的方法。除了对象分类，还证明了D 2 NN在执行各种光学设计和计算任务(包括例如光谱过滤，光谱信息编码和光脉冲整形)方面的成功。
UCLA团队在《光：科学与应用》发表的最新论文中报告了D 2的跨越式发展。通过集成学习，基于神经网络的图像分类精度。通过英国哲学家和统计学家弗朗西斯·加尔顿爵士(1822-1911)的实验，可以直观地理解其方法成功的关键要素，他在参观牲畜交易会时要求参与者猜测牛的重量。 。数百名参与者中没有一个成功地猜测出体重。但是令他惊讶的是，高尔顿发现所有猜测的中位数都非常接近-1207磅，准确度在1198磅真实重量的1%以内。该实验揭示了组合许多预测以获得更准确的预测的能力。集成学习在机器学习中体现了这一思想，在机器学习中，通过组合多个模型可以提高预测性能。
在他们的计划中，加州大学洛杉矶分校的研究人员报告了一个由多个并行运行的D 2 NN组成的集合体，每个集合都通过使用各种滤波器对输入进行光学过滤而经过单独训练和多样化。1252 D 2 NN以这种方式进行了独特设计，形成了初始网络池，然后使用迭代修剪算法对其进行了修剪，因此所得到的物理集合不会过大。最终预测来自集合中所有组成D 2 NN决策的加权平均值。研究人员评估了所得D 2的性能NN集成在CIFAR-10图像数据集上，该数据集包含分类为10类的60,000张自然图像，并且是用于基准化各种机器学习算法的广泛使用的数据集。他们所设计的集成系统的仿真表明，衍射光网络可以从“人群的智慧”中大大受益。例如，在14个单独训练的D 2 NN的合奏中，研究人员在CIFAR-10数据集上实现了61.21%的盲测准确度，比单个D 2 NN的平均准确度高出约16%。
这项研究由美国加州大学洛杉矶分校电气和计算机工程系的Aydogan Ozcan教授领导。D 2 NN集成实现的显着改善的推理和泛化性能标志着缩小光学神经网络与数字神经网络之间的差距的重大进步。连同纳米级光学系统制造和组装方面的进步，提出的框架有望为各种应用提供微型化，超快速的机器学习解决方案，例如全光学对象分类，基于衍射的光学计算硬件以及计算成像任务。
