UCLA工程师推出光速光学神经网络赋能智能相机
UCLA塞缪利工程学院，洛杉矶，加州
UCLA工程师在光学神经网络设计上取得重大改进——一种受人脑工作方式启发的器件，能以光速识别物体或处理信息。该发展可引领智能相机系统，仅通过光线穿过3D工程材料结构的模式即可弄清所见。新设计利用基于光学的计算系统的并行化和可扩展性。
应用前景：自动驾驶与机器人
例如，此类系统可集成进自动驾驶汽车或机器人，帮助它们比需额外时间识别物体的计算机系统更快、用更少功耗做出近乎即时决策。
技术演进：从2018年首发到双检测器架构
该技术由UCLA团队2018年首次引入。系统使用一系列3D打印晶圆或层，表面不平整透射或反射入射光——外观效果类似磨砂玻璃。层含数万像素点，本质上是形成工程材料体积的人工神经元，全光学计算。每个物体通过3D制造层有独特光路径。层后有多个光探测器，每个在计算机中预先分配，通过光穿过层后大部分落在何处推断输入物体。例如，若训练识别手写数字，编程识别"5"的探测器将在"5"图像穿过层后接收最多光。
UCLA研究人员通过增加第二组探测器显著提高系统准确性，使每个物体类型现在由两个而非一个探测器代表。研究者旨在增加分配给物体类型的探测器对间信号差异。直观类比：左右手同时称量两块石头以区分重量相似或不同。
该系统利用光物质相互作用和3D制造材料结构内光衍射以光速执行机器学习任务，除照明光和简单探测器电路外无需大量功耗。据研究者称，这一进步可实现特定任务智能相机，仅用光子和光物质相互作用对场景计算，极快且能效极高。
研究者用手写数字、服装物品、更广泛的车辆动物CIFAR-10图像数据集测试系统准确率。分别发现图像识别准确率98.6%、91.1%、51.4%。
这些结果与早期全电子深度神经网络相比非常有利。虽更新电子系统性能更好，但研究者建议全光学系统在推理速度、低功耗、并行扩展容纳识别更多物体方面有优势。
更多信息请联系Amy Akmal：[邮箱地址]
传感器