Фазовый ввод информации в системе 4F с дифракционной нейронной сетью

Скиданов Р.В., Ханенко Ю.В., Морозов А.Е., Пронин А.С., Сорокин Д.М., Досколович Л.Л.

Ссылка для цитирования:

Скиданов Р.В., Ханенко Ю.В., Морозов А.Е., Пронин А.С., Сорокин Д.М., Досколович Л.Л. Фазовый ввод информации в системе 4F с дифракционной нейронной сетью // Оптический журнал. 2026. Т. 93. № 5. С. 82–89. http://doi.org/10.17586/1023-5086-2026-93-05-82-89

Skidanov R.V., Khanenko Yu.V., Morozov A.E., Pronin A.S., Sorokin D.M., Doskolovich L.L. Phase input of information in a 4F system with a diffraction neural network [in Russian] // Opticheskii Zhurnal. 2026. V. 93. № 5. P. 82–89. http://doi.org/10.17586/1023-5086-2026-93-05-82-89

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Ввод изображения объекта в систему 4F для последующей классификации методом дифракционной нейронной сети. Цель работы. Подтверждение возможности эффективного ввода информации в систему 4F путем модуляции фазы электромагнитной волны. Метод. Рассмотрена оптическая схема и ее энергоэффективность. Использованы как математическое моделирование системы 4F, так и натурный эксперимент, в котором система 4F была собрана в виде компактного прибора. Основные результаты. Показано, что модуляция фазы электромагнитной волны на входе в систему 4F для ввода информации дает практически идентичные результаты по уровню надежности классификации при существенно более высокой энергоэффективности. Практическая значимость. Полученные результаты позволяют существенно упростить оптическую схему для реализации дифракционных нейронных сетей в системе 4F и существенно повысить энергоэффективность вычислений.

Ключевые слова:

система 4F, дифракционная нейронная сеть, классификация объектов, пространственный модулятор излучения, модуляция фазы электромагнитной волны

Благодарность:

исследование выполнено в рамках научной программы Национального центра физики и математики, направление № 1 «Национальный центр исследования архитектур суперкомпьютеров» Этап 2023-2025

Коды OCIS: 070.0070, 050.0050

Список источников:

1. Lin X., Rivenson Y., Yardimci N.T., et al. All-optical machine learning using diffractive deep neural networks // Science. 2018. V. 361. P. 1004–1008. https://doi.org/10.1126/science.aat8084 2. Goi E., Schoenhardt S., Gu M. Direct retrieval of Zernike-based pupil functions using integrated diffractive deep neural networks // Nat. Commun. 2022. V. 13. P. 7531. https://doi.org/10.1038/s41467-022-35349-4 3. Goi E., Chen X., Zhang Q.M., et al. Nanoprinted high-neuron-density optical linear perceptrons performing near-infrared inference on a CMOS chip // Light Sci. Appl. 2021. V. 10. P. 40. https://doi.org/10.1038/s41377-021-00483-z 4. Chen R.Y., Li Y.J., Lou M.H., et al. Physics-aware machine learning and adversarial attack in complex-valued reconfigurable diffractive all-optical neural network // Laser Photonics Rev. 2022. V. 16. P. 2200348. https://doi.org/10.48550/arXiv.2203.06055 5. Georgi P., Wei Q.S., Sain B., et al. Optical secret sharing with cascaded metasurface holography // Sci. Adv. 2021. V. 7. P. eabf9718. https://doi.org/10.1126/sciadv.abf9718

6. Zhang Y.C., Zhang Q.M., Yu H.Y., et al. Memory-less scattering imaging with ultrafast convolutional optical neural networks // Sci. Adv. 2024. V. 10. P. eadn2205. https://doi.org/10.1126/sciadv.adn2205

7. Li J.X., Mengu D., Yardimci N.T., et al. Spectrally encoded single-pixel machine vision using diffractive networks // Sci. Adv. 2021. V. 7. P. eabd7690. https://doi.org/10.1126/sciadv.abd7690

8. Mengu D., Tabassum A., Jarrahi M., et al. Snapshot multispectral imaging using a diffractive optical network // Light Sci. Appl. 2023. V. 12. P. 86. https://doi.org/10.1038/s41377-023-01135-0

9. Luo Y., Zhao Y.F., Li J.X., et al. Computational imaging without a computer: Seeing through random diffusers at the speed of light // Elight. 2022. V. 2. P. 4. https://doi.org/10.48550/arXiv.2107.06586

10. Lin X., Rivenson Y., Yardimci N.T., et al. All-optical machine learning using diffractive deep neural networks // Science. 2018. V. 361. P. 1004–1008. https://doi.org/10.1126/science.aat8084

11. Li B., Zhu Y., Fei J., et al. Multi-functional broadband diffractive neural network with a single spatial light modulator // APL Photonics. 2025. V. 10. № 1. P. 016115. https://doi.org/10.1063/5.0245832

12. Zhang Z., Feng F., Gan J., et al. Space‐time projection enabled ultrafast all‐optical diffractive neural network // Laser & Photonics Rev. 2024. V. 18. № 8. P. 2301367. https://doi.org/10.1002/lpor.202301367

13. Сошников Д.В., Досколович Л.Л., Бызов Е.В. Градиентный метод расчета каскадных ДОЭ и его применение в задаче классификации рукописных цифр // Компьютерная оптика. 2023. Т. 47. № 5. С. 691–701. https://doi.org/10.18287/2412-6179-CO-131

Soshnikov D.V., Doskolovich L.L., Byzov E.V. Gradient method for calculating cascaded DOEs and its application in the problem of classifying handwritten digits [in Russian] // Computer Opt. 2023. V. 47. № 5. P. 691–701. https://doi.org/10.18287/2412-6179-CO-131

14. Скиданов Р.В., Ханенко Ю.В., Морозов А.Е. и др. Дифракционные нейронные сети на основе 4F-схемы с жидкокристаллическими модуляторами света // Оптический журнал. 2025. Т. 92. № 12. С. 66–76. http://doi.org/10.17586/10235086-2025-92-12-66-76

Skidanov R.V., Khanenko Yu.V., Morozov A.E., et al. Diffraction neural networks based on a 4F-circuit with liquid crystal light modulators // J. Opt. Technol. 2025. V. 92. № 12. https://doi.org/10.1364/JOT.92.000000