设计抗 transverse 位移扰动的鲁棒性diffractive神经网络

当今广泛应用于解决实际问题的人工神经网络催生了其光学实现的激烈发展，其中一种称为diffractive神经网络 (DNN) 的实现由一组相位diffractive光学元件 (DOEs) 构成，受到广泛关注。在DNN的实际实现中，一个突出问题是需要高精度的DOEs定位。在本工作中，我们提出一种方法，用于设计考虑DOEs位置误差（横向位移）的DNN，以图像分类为目标。在该方法中，解决分类问题的误差由DOEs相位函数和描述其横向位移的随机向量所决定。该误差功能的数学期望被用作考虑DOEs横向位移的梯度法中的误差功能。我们展示了该误差功能的导数计算对应于具有DOEs随机横向位移的DNN训练方法。使用所提出的梯度法，我们设计出对DOEs的横向位移具有鲁棒性的DNN，能够在可见波长下解决手写数字分类问题。数值仿真表明，所设计的DNN在横向位移达到17个波长时仍能表现良好。