单像素宽带衍射神经网络通过未知的随机扩散器对手写数字进行分类。宽带单像素衍射光学网络将未知随机漫射器后面的输入物体的空间信息映射到输出像素孔径处的功率谱。光谱类别分数揭示了随机扩散器后面的输入对象的类型。

通过随机散射介质进行物体识别一直是许多领域的一项重要但具有挑战性的任务，例如生物医学成像、海洋学、安全、机器人和自动驾驶。已经开发了许多计算解决方案来解决这个问题。然而，所有这些都需要大规模数字计算并消耗大量能量，同时仍然缺乏对训练阶段从未使用过的新随机扩散器的泛化。

加州大学洛杉矶分校的研究人员最近开发了一种全光学方法，可以使用衍射深度神经网络(D2NN)通过未知的随机扩散器对物体进行分类。D2NN形成了一个自由空间光学计算平台，近年来引起了越来越多的研究兴趣。

D2NN通过调制通过一系列空间结构化表面的光衍射来计算给定任务，共同形成可以以光速运行的全光学计算机。这种全光计算框架具有高速、并行和低功耗的优点，可用于许多计算任务，如对象分类、定量相位成像、显微镜、通用线性变换等。

发表在Light:ScienceApplications上的这篇题为“All-opticalimageclassificationthroughunknownrandomdiffusersusingasingle-pixeldiffractivenetwork”的研究论文提出了一种使用宽带衍射网络通过未知、随机的直接分类未知物体的新方法使用单像素光谱检测器的漫射器。

这种宽带衍射网络架构使用20个离散波长将扩散器扭曲的物体映射到通过单个像素检测到的光谱特征中。在训练过程中，使用了许多随机生成的相位扩散器来帮助衍射光学网络的泛化性能。在一次性完成基于深度学习的训练过程之后，可以物理制造由此产生的衍射层以形成一个单像素网络，该网络可以对完全隐藏在训练期间从未见过的新的、未知的随机扩散器中的对象进行分类。

在他们的模拟中，这种单像素宽带衍射网络通过随机选择的未知相位扩散器成功识别了手写数字，盲测准确率为87.74%。此外，研究人员通过实验证明了这种使用3D打印衍射网络和太赫兹时域光谱系统的单像素宽带分类器的可行性。这种光学计算框架可以根据照明波长进行缩放，以在电磁波谱的任何部分运行，而无需重新设计或重新训练其层。

该研究由AydoganOzcan博士领导，他是加州大学洛杉矶分校的校长教授和Volgenau工程创新主席，也是霍华德休斯医学研究所的HHMI教授。“这项工作首次展示了通过随机漫射器对物体进行全光学分类，并将其推广到新的未知漫射器，”Ozcan博士说，“我们相信这项研究将对更快、更高效和可扩展的开发产生影响通过随机扩散介质的对象/图像分类技术，可以使从医疗保健和生物医学到电信和航空航天等广泛领域受益。”