Resumen Técnico: Redes Neuronales Ópticas de Alto Orden Parcialmente Coherentes mediante Codificación Pseudo-No Lineal

Planteamiento del Problema

Las Redes Neuronales Difractivas (DONN) ofrecen una vía para la computación de alta velocidad y eficiencia energética, pero enfrentan una limitación fundamental: la ausencia de un marco general para la activación no lineal. La mayoría de las DONN existentes operan bajo iluminación idealmente coherente y realizan principalmente mapeos lineales, lo que restringe su capacidad de representación y aplicabilidad en entornos realistas donde las fuentes de luz poseen coherencia parcial. Aunque existen efectos no lineales físicos (p. ej., absorción saturable, generación de segundo armónico), estos suelen requerizar altas intensidades ópticas y materiales especializados. Por el contrario, la "pseudo-no linealidad" (estrategias de codificación en sistemas lineales) evita los requisitos de alta intensidad, pero no ha sido suficientemente integrada con la física de la luz parcialmente coherente. El desafío central abordado es cómo introducir una no linealidad efectiva y controlable en las redes neuronales ópticas parcialmente coherentes de una manera físicamente consistente.

Metodología

Los autores proponen un marco de Red Neuronal Óptica de Alto Orden (HONN) que opera bajo iluminación parcialmente coherente. Este marco unifica dos fuentes de no linealidad:

1. No Linealidad de Detección Dependiente de la Coherencia: Derivada de la respuesta de intensidad de la detección bajo luz parcialmente coherente.
2. Pseudo-No Linealidad a Nivel de Sistema: Lograda a través de estrategias de codificación optimizadas dentro del sistema óptico.

Marco Teórico

El modelo extiende las arquitecturas convencionales de pesos lineales introduciendo interacciones de alto orden entre las variables de entrada. La salida $y$ se describe mediante una expansión polinómica de alto orden donde los términos no lineales surgen de la interacción entre la amplitud de la entrada, la modulación de fase y la matriz de coherencia ($\Gamma$).

• Pseudo-No Linealidad: Implementada mediante la codificación de datos de entrada en capas difractivas con parámetros de modulación de fase ($\Phi_i = a_i X + B_i$). Al establecer coeficientes específicos ($a_i$) en cero, el sistema puede sintonizarse para operar en diferentes órdenes no lineales (del 1.º al 4.º).
• Simulación de Coherencia Parcial: El sistema utiliza el modelo de Gaussian-Schell. Para simular la propagación parcialmente coherente de manera eficiente, los autores emplean una superposición de campos de luz coherentes con espectros aleatorios ($M=20$ superposiciones), definidos por una longitud de coherencia ($l_c$).
• Plataforma Experimental: Se implementó una DONN de cuatro capas utilizando una configuración de modulador espacial de luz (SLM) de luz visible (longitud de onda de 660 nm). El sistema utiliza dos SLM: uno para la codificación de amplitud/fase de entrada y un segundo para la carga de fase modulada para lograr órdenes no lineales específicos.

Entrenamiento y Validación

El modelo fue entrenado utilizando la teoría de difracción de Rayleigh–Sommerfeld y el método del espectro angular, optimizado mediante el optimizador Adam con pérdida de entropía cruzada. La validación se realizó en:

• Digit MNIST y Fashion MNIST: Para analizar las tendencias de rendimiento a través de diversas longitudes de coherencia ($l_c$) y órdenes no lineales.
• RAF (Real-world Affective Faces) y MedMNIST: Para demostrar la aplicabilidad práctica en conjuntos de datos complejos del mundo real.
• Pruebas de Robustez: Evaluando el rendimiento cuando las longitudes de coherencia de prueba ($l_{c-test}$) se desvían de las longitudes de coherencia de entrenamiento ($l_{c-train}$).

Contribuciones Clave

1. Marco Unificado HONN: El artículo establece un marco general para la inferencia óptica de alto orden que integra la pseudo-no linealidad y la coherencia parcial. Postula que la no linealidad física y la pseudo-no linealidad son implementaciones alternativas de una forma matemática unificada.
2. Demostración Experimental: Los autores validaron experimentalmente el modelo HONN en el espectro visible, demostrando que la precisión de la clasificación mejora con el aumento de la longitud de coherencia y el orden no lineal.
3. Robustez Coherente: El estudio revela que la modulación de alto orden fortalece las respuestas no lineales efectivas, compensando la degradación del rendimiento causada por la reducción de la coherencia. Esto sugiere un compromiso entre el pico de precisión y la robustez contra el desajuste de coherencia.
4. Eficiencia: El HONN propuesto logra un rendimiento comparable al de las redes neuronales eléctricas tradicionales mientras utiliza menos del 10% de su complejidad computacional.

Resultados

• Tendencias de Rendimiento: En Digit MNIST, la precisión simulada aumentó de 79.25% a 94.83% (1.er orden) y de 83.23% a 95.55% (3.er orden) a medida que la longitud de coherencia se movió de $8\Delta x$ a la coherencia total. Los resultados experimentales siguieron tendencias similares, alcanzando hasta un 90.25% de precisión.
• Conjuntos de Datos del Mundo Real: En el conjunto de datos RAF, el HONN parcialmente coherente logró un 72.68% de precisión, y en MedMNIST, un 97.17%. Cuando se integró con una capa de lectura eléctrica (híbrido optoelectrónico), la precisión mejoró a 75.86% y 98.39%, respectivamente.
• Comportamiento de Escalamiento: Se observó un fuerte acoplamiento entre la capacidad del modelo y la coherencia. Bajo baja coherencia, los modelos sobreparametrizados sufrieron de sobreajuste y dificultades de optimización, mientras que la alta coherencia facilitó el entrenamiento de redes de alta capacidad.
• Robustez: Los modelos entrenados en niveles de coherencia más bajos ($l_{c-train} = 8\Delta x$) mantuvieron un rendimiento estable a través de un rango más amplio de condiciones de coherencia de prueba en comparación con los modelos entrenados en alta coherencia, los cuales se degradaron rápidamente a medida que $l_{c-test}$ disminuía.

Significado y Reivindicaciones

Los autores afirman que este trabajo llena un vacío de investigación al proporcionar un marco unificado para la computación neuronal óptica de alto orden bajo iluminación parcialmente coherente. Aseguran que la coherencia parcial no es meramente un factor limitante, sino un "grado de libertad físicamente significativo" que moldea el comportamiento de la inferencia.

La significancia del trabajo radica en:

• Despliegue Práctico: Proporcionar una ruta para la computación óptica en visión artificial, imagen computacional y sensores bajo condiciones de luz natural (que son inherentemente parcialmente coherentes).
• Generalizabilidad: Establecer un marco que se extiende más allá de los modelos difractivos tradicionales, potencialmente aplicable a sistemas basados en metasuperficies y dispositivos no lineales de bajo umbral.
• Eficiencia: Demostrar que la inferencia óptica puede competir con las redes eléctricas en precisión, reduciendo drásticamente la complejidad computacional.

El artículo concluye que la coherencia, el orden no lineal y la capacidad del modelo deben co-diseñarse en sistemas ópticos parcialmente coherentes para optimizar el rendimiento y la robustez.