光子学报
2021, 50(10): 1006003
红外与激光工程
2020, 49(7): 20190452
Author Affiliations
Abstract
1 Department of Automation, Tsinghua University, Beijing 100084, China
2 Institute for Brain and Cognitive Science, Tsinghua University, Beijing 100084, China
3 Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen 518055, China
4 Beijing Innovation Center for Future Chip, Tsinghua University, Beijing 100084, China
5 Institute of Microelectronics, Tsinghua University, Beijing 100084, China
6 Beijing National Research Center for Information Science and Technology, Tsinghua University, Beijing 100084, China
7 e-mail: lin-x@tsinghua.edu.cn
8 e-mail: qhdai@tsinghua.edu.cn
This publisher’s note corrects the authors’ affiliations in
8, 940 (2020).PRHEIZ2327-912510.1364/PRJ.389553Photonics Research
2020, 8(8): 08001323
Author Affiliations
Abstract
1 Department of Automation, Tsinghua University, Beijing 100084, China
2 Institute for Brain and Cognitive Science, Tsinghua University, Beijing 100084, China
3 Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen 518055, China
4 Beijing Innovation Center for Future Chip, Tsinghua University, Beijing 100084, China
5 Institute of Microelectronics, Tsinghua University, Beijing 100084, China
6 Beijing National Research Center for Information Science and Technology, Tsinghua University, Beijing 100084, China
7 e-mail: lin-x@tsinghua.edu.cn
8 e-mail: qhdai@tsinghua.edu.cn
Training an artificial neural network with backpropagation algorithms to perform advanced machine learning tasks requires an extensive computational process. This paper proposes to implement the backpropagation algorithm optically for in situ training of both linear and nonlinear diffractive optical neural networks, which enables the acceleration of training speed and improvement in energy efficiency on core computing modules. We demonstrate that the gradient of a loss function with respect to the weights of diffractive layers can be accurately calculated by measuring the forward and backward propagated optical fields based on light reciprocity and phase conjunction principles. The diffractive modulation weights are updated by programming a high-speed spatial light modulator to minimize the error between prediction and target output and perform inference tasks at the speed of light. We numerically validate the effectiveness of our approach on simulated networks for various applications. The proposed in situ optical learning architecture achieves accuracy comparable to in silico training with an electronic computer on the tasks of object classification and matrix-vector multiplication, which further allows the diffractive optical neural network to adapt to system imperfections. Also, the self-adaptive property of our approach facilitates the novel application of the network for all-optical imaging through scattering media. The proposed approach paves the way for robust implementation of large-scale diffractive neural networks to perform distinctive tasks all-optically.
Photonics Research
2020, 8(6): 06000940
光场为三维世界中光线集合的完备表示。通过记录更高维度的光线数据,光场能够准确感知周围复杂多变的动态环境,支撑智能系统对环境的理解与决策。计算光场成像技术围绕光场及全光函数表示,旨在结合计算、数字传感器、光学系统和智能光照等技术,以及硬件设计、软件计算能力,突破经典成像模型和数字相机的局限性,建立光在空域、视角、光谱和时域等多个维度的关系,实现耦合感知、解耦重建与智能处理,具备面向大范围动态场景的多维多尺度成像能力。光场成像技术正逐渐被应用于生命科学、工业探测、****、无人系统和虚拟现实/增强现实等领域,具有重要的学术研究价值和广阔的产业应用前景。然而,伴随着高维数据的离散化采样,光场成像面临空间分辨率与视角分辨率的维度权衡挑战,如何对稀疏化的采样数据进行光场重建成为计算光场成像及其应用的基础难题。与此同时,受制于光场信号的高维数据感知量,光场处理面临有效数据感知与计算高效性的矛盾。如何用光场这一高维信息采集手段,取代传统二维成像视觉感知方法,并结合智能信息处理技术实现智能化高效感知,是实现光场成像技术产业化应用的巨大挑战。对过去20年来计算光场成像装置与算法的研究进行概述和讨论,内容涵盖光场表示和理论、光场信号采集、空间与视角维度重建等。
成像系统 计算摄像 光场成像 十亿像素 阵列相机
西安电子科技大学物理与光电工程学院, 陕西 西安 710071
在高能激光合成、空间光通信及其他激光工程中的潜在应用方面,阵列涡旋光束逐渐受到人们的关注。基于多重相位屏的数值方法,研究阵列涡旋光束在von Karman湍流中的传输特性,分析了光场的演化情况。结果表明:光束传输一段距离后发生融合,融合后的光束拓扑荷与初始光场中子光束的拓扑荷相同。考虑到光斑扩展会导致拓扑荷的损失进而使得通信效率下降,分析了不同湍流和光束参量对光束相对束宽的影响。湍流强度对相对束宽影响较大,拓扑荷等其他参量均对其有不同程度的影响,相对于单束涡旋光,阵列光束具有更小的相对束宽。
大气光学 阵列涡旋光束 相对束宽 湍流相位屏 大气湍流
西安电子科技大学物理与光电工程学院, 陕西 西安 710071
涡旋光束可以有效提高通信系统的信道容量,但大气环境下光通信信道受大气湍流的影响,因此研究涡旋光束大气湍流传输特性具有重要意义。大气湍流广泛采用Kolmogorov谱模型进行描述,但对大气湍流的进一步研究表明,大气湍流还具有非Kolmogorov谱特征。开展了非Kolmogorov谱湍流下涡旋光束传输特性的研究,基于数值方法研究了湍流内外尺度、广义指数因子、折射率结构常数对拉盖尔-高斯光束在不同传输距离下的螺旋谱分布、拓扑荷探测概率等参量的影响,仿真结果表明,拓扑荷探测概率与以上参量密切相关。最后,提出了一种数值计算涡旋光束闪烁指数的方法,并据此计算分析了大气湍流对通信误码率的影响。结果表明,即使在弱湍流中传输至1000 m处,误码率也很难达到通信要求,因此有必要采取进一步的相位校正措施。
大气光学 拉盖尔高斯光束传输性能 数值方法 螺旋谱分解 闪烁指数 误码率 激光与光电子学进展
2018, 55(12): 120101
西安电子科技大学物理与光电工程学院, 陕西 西安 710071
基于功率谱反演法产生海洋湍流相位屏,对多次传输过程进行统计平均,仿真分析不同海洋湍流参量下不同高斯阵列光束(矩形分布、径向分布及单束)长曝光光斑半径、光斑质心漂移特性及光强闪烁特性。结果表明:光束长曝光光斑半径、光斑质心漂移标准差及轴上闪烁系数均随湍流效应(湍流强度或传输距离)的增强而增大;同时,阵列光束与单束高斯光的光斑半径趋于一致,当传输距离继续增大时,单束高斯光束长曝光光斑半径略大。相对于单束高斯光,阵列光束在相同湍流条件下具有更小的漂移标准差,但轴上闪烁系数较大。相对于大气湍流而言,海洋湍流具有较强的闪烁效应。
海洋光学 海洋湍流 数值模拟 阵列光束 光束漂移 闪烁系数
1 江苏自动化研究所电子设备事业部, 江苏 连云港 222006
2 西安电子科技大学物理与光电工程学院, 陕西 西安 710071
在蓝绿激光对潜通信及对潜探测应用中, 激光分别通过大气、气-海界面以及海水信道传输。由于海面上方覆盖海雾、风速引起海面粗糙度变化以及覆盖泡沫、海水信道中存在悬浮粒子等多种因素的影响, 蓝绿激光传输信道呈现复杂特征。基于米散射理论、粗糙面散射理论及辐射传输理论, 针对上述复杂海况开展海雾大气、泡沫覆盖风驱粗糙海面及考虑浮游植物分布的海水信道的激光传输特性研究, 并详细讨论了风速、海雾能见度及浮游植物分布对激光功率的衰减作用。结果表明:海雾、粗糙海面泡沫和海水信道中浮游植物对传输激光功率共同起作用, 其中海水信道中浮游植物对激光功率的衰减最为显著, 风速改变带来的海面粗糙度变化以及覆盖泡沫主要对激光透射角域产生显著影响, 同时对激光功率的透射极值产生一定的影响。
海洋光学 对潜通信 米理论 蓝绿激光 粗糙海面 信道特性
1 南京林业大学家居与工业设计学院, 江苏 南京 210037
2 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
越来越多的农作物秸秆用于生产生物质成型燃料(生物质颗粒), 作为民用和工业锅炉的生物质燃料。 高位热值是衡量生物质燃料燃烧性能的主要参数之一, 反映了生物质可用能含量, 但利用传统的氧弹分析法测试高位热值费时费力, 急需一种快速准确的方法评估农作物秸秆的高位热值, 以制备高质量的生物质颗粒燃料。 基于工业分析/元素分析和可见-近红外光谱分析, 对比分析了五种农作物秸秆(稻秸、 麦秸、 棉秆、 油菜秆和玉米秆)的高位热值预测模型。 首先, 利用多元线性回归(MLR)、 逐步回归(SWR)和反向传播人工神经网络(BPNN)模型, 在基于五种农作物秸秆工业分析和元素分析基础上, 提出了高位热值预测模型并进行验证。 MLR模型具有较好的相关系数(R2), 预测均方根误差(RMSEP)和预测标准差与参比标准差比值(RPD), 分别为0.921 1, 0.135 1和3.49。 此外, 利用可见-近红外光谱分析了农作物秸秆, 发现对光谱数据作最小二乘法回归(PLR), 可建立高位热值预测模型, 预测R2和RMSEP分别为0.881 2和0.412 9。 研究结果表明MLR模型和PLR模型分别适用于基于工业分析/元素分析和可见-近红外光谱建模, 对农作物秸秆的高位热值快速检测设备研发能提供基础模型支持。
农作物秸秆 反向传播神经网络 近红外光谱 高位热值 Crop residues BPNN NIR Gross calorific value 光谱学与光谱分析
2017, 37(5): 1622