抗失调衍射光学网络

作为一种光学机器学习框架，衍射深度神经网络（D2NN）利用深度学习中使用的数据驱动训练方法来设计三维空间中的光-物质相互作用，以执行所需的统计推断任务。基于此衍射框架设计的多层光学物体识别平台已被证明可以泛化到未见过的图像数据，例如，对于手写数字分类，实现了超过 98% 的盲推断准确率。衍射网络的多层结构在其衍射效率、推断能力和光信号对比度方面提供了显著优势。然而，使用多个衍射层也给这些衍射系统的制造和对准带来了实际挑战，以实现精确的光学推断。在此，我们引入并通过实验证明了一种新的训练方案，该方案显著提高了衍射网络在物理实现中对三维失调和制造公差的鲁棒性。通过将不期望的层间三维失调建模为光学前向模型中的连续随机变量，衍射网络被训练为在较大失调范围内保持其推断精度；我们将这种衍射网络设计称为接种 D2NN（v-D2NN）。我们进一步将这种接种策略扩展到使用差分探测器的输出平面衍射网络的训练，以及联合训练的混合（光电）网络，揭示了所有这些衍射设计通过在训练阶段考虑可能的三维制造变化和位移，都提高了其对失调的弹性。