[論文レビュー] Massively Parallel Universal Linear Transformations using a Wavelength-Multiplexed Diffractive Optical Network

Jingxi Li, Bijie Bai+2 more|arXiv (Cornell University)|Aug 13, 2022

Neural Networks and Reservoir Computing被引用数 7

ひとこと要約

本稿では、複数の入力-出力視野において、マス・パラレルで万能な複素数値線形変換を実現する、深層学習で設計された波長多重型回折光学ネットワークを提示する。個々の変換に異なる波長チャネルを割り当てることで、2×N_w×N_i×N_oを超える回折ニューロン数を有する場合、最大180以上の異なる変換をほぼゼロの誤差で近似可能であり、ハイパースペクトル画像処理や知能ビジョンシステムにおける高スループット光コンピューティングを実現する。

ABSTRACT

We report deep learning-based design of a massively parallel broadband diffractive neural network for all-optically performing a large group of arbitrarily-selected, complex-valued linear transformations between an input and output field-of-view, each with N_i and N_o pixels, respectively. This broadband diffractive processor is composed of N_w wavelength channels, each of which is uniquely assigned to a distinct target transformation. A large set of arbitrarily-selected linear transformations can be individually performed through the same diffractive network at different illumination wavelengths, either simultaneously or sequentially (wavelength scanning). We demonstrate that such a broadband diffractive network, regardless of its material dispersion, can successfully approximate N_w unique complex-valued linear transforms with a negligible error when the number of diffractive neurons (N) in its design matches or exceeds 2 x N_w x N_i x N_o. We further report that the spectral multiplexing capability (N_w) can be increased by increasing N; our numerical analyses confirm these conclusions for N_w > 180, which can be further increased to e.g., ~2000 depending on the upper bound of the approximation error. Massively parallel, wavelength-multiplexed diffractive networks will be useful for designing high-throughput intelligent machine vision systems and hyperspectral processors that can perform statistical inference and analyze objects/scenes with unique spectral properties.

研究の動機と目的

• 1つの物理的光ネットワークを用いて、任意の複素数値線形変換をすべて光で、マス・パラレルに計算することを目的とする。
• 単一タスクの光プロセッサの限界を克服するため、異なる波長に across multiple transformations を多重化することを目的とする。
• 広帯域のスペクトル範囲において材料分散の影響を受けることなく高い精度を維持する広帯域回折ネットワークの設計を目的とする。
• スペクトル的に固有の物体やシーンに対する統計的推論を実行できるスケーラブルな光プロセッサフレームワークを確立することを目的とする。
• N_i × N_o ピクセルの視野において、N_w 種類の異なる変換を正確に近似するための最小回折ニューロン数を特定することを目的とする。

提案手法

• システムは、N 個の回折ニューロンを有する1つの回折光学ネットワークを、深層学習に基づく逆設計によって訓練し、N_w 種類の異なる複素数値線形変換を実行する。
• 各変換は固有の照明波長に割り当てられ、N_w 個の波長チャネルにわたるスペクトル多重化が実現される。
• ネットワークは、各波長チャネルにおいて、N_i ピクセルの入力視野を N_o ピクセルの出力視野にマッピングするように訓練される。
• 設計により、全帯域にわたる位相および振幅プロファイルの最適化によって、材料分散に対する耐性が確保される。
• 近似誤差を無視できる程度に抑えるため、回折ニューロン数 N は少なくとも 2×N_w×N_i×N_o に設定される。
• 数値シミュレーションにより、N_w > 180 の範囲で手法の有効性が検証されており、誤差許容度に応じて最大約2000チャネルへのスケーラビリティが可能である。

実験結果

リサーチクエスチョン

• RQ1 1つの回折光学ネットワークが、波長多重化を用いて同時に複数の任意の複素数値線形変換を実行できるか？
• RQ2 N_w 種類の異なる変換をほぼゼロの誤差で近似するための最小回折ニューロン数は何か？
• RQ3 材料分散は広帯域回折ネットワークの性能にどのように影響を及ぼし、設計によってこれを緩和できるか？
• RQ4 近似誤差を低く保ったまま、多重化可能な変換数（N_w）をどの程度スケーリングできるか？
• RQ5 このようなシステムは、ハイパースペクトル画像処理や知能ビジョンアプリケーションにおける高スループット光処理を可能にするか？

主な発見

• 回折ネットワークは、回折ニューロン数 N が N ≥ 2×N_w×N_i×N_o を満たす場合、N_w 種類の異なる複素数値線形変換をほぼ無視できる近似誤差で実行可能である。
• システムは、180種類の異なる変換をほぼゼロの誤差で実行可能であり、与えられた誤差境界下では最大約2000の変換へのスケーリングが可能である。
• 波長割り当てによるスペクトル多重化により、同じ物理的ネットワークを用いて複数の変換を同時にまたは逐次的に実行可能である。
• 設計は材料分散に対して耐性を示し、広帯域の波長範囲にわたり高い精度を維持する。
• このアプローチにより、マス・パラレルな光コンputationが実現され、高スループットの機械視覚およびハイパースペクトルデータ分析に適している。
• 数値的妥当性検証により、多様な変換タイプおよび視野サイズにおいて、手法の有効性が確認された。