🔬 optics

Arbitrary control over multimode wave propagation for machine learning

यह शोध पत्र लगभग $10^4$ स्थानिक स्वतंत्रता स्तरों (spatial degrees of freedom) वाले एक द्वि-आयामी प्रोग्रामेबल वेवगाइड को प्रस्तुत करता है जो सिंगल-पास न्यूरल नेटवर्क इन्फरेंस करने के लिए मल्टीमोड तरंग प्रसार (multimode wave propagation) पर मनमाना नियंत्रण सक्षम करता है, साथ ही पारंपरिक डिस्क्रीट-कंपोनेंट आर्किटेक्चर की तुलना में डिवाइस क्षेत्र दक्षता और स्केलिंग में महत्वपूर्ण सुधार प्रदान करता है।

मूल लेखक: Tatsuhiro Onodera, Martin M. Stein, Benjamin A. Ash, Mandar M. Sohoni, Melissa Bosch, Ryotatsu Yanagimoto, Marc Jankowski, Timothy P. McKenna, Tianyu Wang, Gennady Shvets, Maxim R. Shcherbakov, Logan

प्रकाशित 2026-06-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tatsuhiro Onodera, Martin M. Stein, Benjamin A. Ash, Mandar M. Sohoni, Melissa Bosch, Ryotatsu Yanagimoto, Marc Jankowski, Timothy P. McKenna, Tianyu Wang, Gennady Shvets, Maxim R. Shcherbakov, Logan G. Wright, Peter L. McMahon

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जटिल पहेली को सुलझाने की कोशिश कर रहे हैं, जैसे कि किसी हस्तलिखित संख्या को पहचानना या बोले गए स्वर (vowel) की पहचान करना। आमतौर पर, कंप्यूटर यह काम डेटा को छोटे-छोटे, अलग-अलग गियर और लीवरों (डिस्क्रीट कंपोनेंट्स) की एक लंबी कतार के माध्यम से भेजकर करते हैं। प्रत्येक गियर एक छोटा सा काम करता है, और डेटा को एक से दूसरे तक यात्रा करनी पड़ती है। इसमें बहुत जगह लगती है और बहुत ऊर्जा खर्च होती है, खासकर जब पहेलियाँ बड़ी हो जाती हैं।

इस शोध पत्र में शोधकर्ताओं ने एक बिल्कुल अलग तरह की मशीन बनाई है। अलग-अलग गियरों की एक कतार का उपयोग करने के बजाय, उन्होंने एक एकल, विशाल, प्रोग्राम करने योग्य "कांच की शीट" (वेवगाइड) बनाई है जो एक स्मार्ट, आकार बदलने वाले लेंस की तरह कार्य करती है।

यह आविष्कार कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. "स्मार्ट शीट" बनाम "गियर ट्रेन"

पारंपरिक कंप्यूटर चिप्स को अलग-अलग ट्रेन के डिब्बों की एक श्रृंखला के रूप में सोचें। बिंदु A से बिंदु B तक पहुँचने के लिए, कार्गो (डेटा) को एक डिब्बे से दूसरे डिब्बे में कूदना पड़ता है। यह भारी और धीमा है।

यह नया उपकरण एक विशाल ट्रैम्पोलिन की तरह है। डिब्बों के बीच कूदने के बजाय, आप एक गेंद (प्रकाश की किरण) को ट्रैम्पोलिन पर फेंकते हैं। ट्रैम्पोलिन की सतह के तनाव और आकार को बदलकर, आप गेंद को किसी भी विशिष्ट पैटर्न में उछाल सकते हैं। पूरी सतह एक साथ मिलकर गेंद को उसके गंतव्य तक पहुँचाने का काम करती है।

2. वे कांच को "आकार" कैसे देते हैं?

आप इस कांच को किसी मूर्ति की तरह तराश नहीं सकते; एक बार तराशने के बाद, यह वैसा ही रह जाता है। शोधकर्ताओं को इस कांच के आकार को चलते-फिरते (on the fly) बदलने का एक तरीका चाहिए था।

उन्होंने प्रकाश और बिजली का उपयोग करके एक चतुर तकनीक का इस्तेमाल किया:

सेटअप: उनके पास इलेक्ट्रोड्स के बीच सैंडविच की गई कांच की एक विशेष शीट (लिथियम नियोबेट) है।
नियंत्रण: वे ऊपर से कांच की शीट पर हरे रंग की रोशनी का एक पैटर्न प्रोजेक्ट करते हैं, जैसे कोई प्रोजेक्टर एक चित्र दिखा रहा हो।
जादू: जहाँ भी हरा प्रकाश पड़ता है, वह शीट थोड़ी अधिक सुचालक (एक तार की तरह) हो जाती है। यह कांच के भीतर विद्युत क्षेत्र (electric field) को बदल देता है। इस कांच के एक विशेष गुण के कारण, विद्युत क्षेत्र को बदलने से इसका अपवर्तनांक (refractive index) यानी प्रकाश को मोड़ने की क्षमता बदल जाती है।
परिणाम: प्रोजेक्ट किया गया हरा प्रकाश का पैटर्न कांच के अदृश्य परिदृश्य को तुरंत "गढ़" देता है। यदि आप एक "Y" आकार प्रोजेक्ट करते हैं, तो कांच प्रकाश के लिए एक Y-आकार का पथ बन जाता है। यदि आप एक जटिल भूलभुलैया प्रोजेक्ट करते हैं, तो कांच एक जटिल भूलभुलैया बन जाता है।

वे इस "गढ़ने" वाले पैटर्न को प्रति सेकंड लगभग 3 बार बदल सकते हैं, जिससे वे अपनी मशीन को तुरंत पुन: प्रोग्राम कर सकते हैं।

3. प्रकाश के साथ गणित करना

इस मशीन का लक्ष्य मशीन लर्निंग (कंप्यूटर को पैटर्न पहचानना सिखाना) करना है।

इनपुट: वे डेटा (जैसे हस्तलिखित "7" का आकार) को प्रकाश की किरणों के एक पैटर्न में बदलते हैं जो शीट में प्रवेश करती हैं।
प्रक्रिया (Processing): जैसे ही प्रकाश शीट के माध्यम से यात्रा करता है, वह उनके द्वारा बनाए गए "गढ़े हुए" परिदृश्य से टकराकर उछलता है। प्रकाश की तरंगें एक-दूसरे के साथ हस्तक्षेप (interfere) करती हैं, आपस में मिलती और मिलती-जुलती हैं। यही मिश्रण ही गणितीय गणना है।
आउटपुट: प्रकाश दूसरी ओर से बाहर निकलता है। वे मापते हैं कि अलग-अलग स्थानों पर प्रकाश कितना चमकीला है। सबसे चमकीला स्थान उत्तर बताता है (जैसे, "वह एक 7 था!")।

उन्होंने दो कार्यों पर इसका परीक्षण किया:

स्वर ध्वनियाँ (Vowel Sounds): ध्वनि आवृत्तियों के आधार पर यह पहचानना कि कौन सा स्वर बोला गया था। उन्होंने इसे 96% बार सही पहचाना।
हस्तलिखित अंक (MNIST): 0 से 9 तक की संख्याओं को पहचानना। उन्होंने इसे 86% बार सही पहचाना।

4. यह बड़ी बात क्यों है? ( "वर्गमूल" का आश्चर्य)

आमतौर पर, यदि आप एक ऐसा कंप्यूटर बनाना चाहते हैं जो बड़े और बड़े पहेलियों (अधिक डेटा) को संभाल सके, तो आपको मशीन को बहुत अधिक बड़ा बनाना होगा। यदि आप जटिलता को दोगुना करते हैं, तो आपको आमतौर पर चार गुना स्थान (एक वर्ग संबंध) की आवश्यकता होती है।

शोधकर्ताओं ने अपने "स्मार्ट शीट" के साथ कुछ आश्चर्यजनक खोजा। क्योंकि वे एक कतार में लगे गियरों के बजाय पूरी शीट का एक साथ उपयोग कर रहे हैं (मल्टीमोड इंटरफेरेंस), इसलिए उनकी मशीन को जटिलता के वर्गमूल (square root) के अनुपात में ही बढ़ना होगा।

उपमा: यदि आप 100 कारों के लिए एक पुल बनाना चाहते हैं, तो एक पारंपरिक डिज़ाइन में आपको 100 यूनिट लंबा पुल चाहिए होगा। उनका डिज़ाइन बताता है कि आप वही काम करने के लिए केवल 10 यूनिट लंबा पुल (चूंकि 100 का वर्गमूल 10 है) बना सकते हैं।

इसका अर्थ है कि उनका मशीन वर्तमान ऑप्टिकल कंप्यूटरों की तुलना में बहुत छोटा और अधिक ऊर्जा-कुशल हो सकता है, विशेष रूप से बहुत बड़े कार्यों के लिए।

सारांश

टीम ने एक पुनः प्रोग्राम करने योग्य ऑप्टिकल प्रोसेसर बनाया है जो जटिल गणित करने के लिए कांच की एक एकल शीट का उपयोग करता है। हजारों अलग-अलग छोटे हिस्सों का उपयोग करने के बजाय, वे प्रकाश का उपयोग करके सीधे कांच पर गणित की समस्या को "चित्रित" करते हैं। फिर प्रकाश उस समस्या को हल करता है क्योंकि वह कांच के माध्यम से यात्रा करता है। उन्होंने यह सिद्ध किया कि यह ध्वनियों और संख्याओं को पहचानने के लिए काम करता है, और उनका गणित बताता है कि यह दृष्टिकोण भविष्य में बहुत छोटे, तेज़ और अधिक ऊर्जा-कुशल कंप्यूटरों की ओर ले जा सकता है।

तकनीकी सारांश: मशीन लर्निंग के लिए मल्टीमोड तरंग प्रसार पर अनिश्चित नियंत्रण (Arbitrary Control over Multimode Wave Propagation for Machine Learning)

समस्या विवरण

डीप न्यूरल नेटवर्क (DNNs) तेजी से उन ऊर्जा लागतों से बाधित हो रहे हैं जो उनके आकार में होने वाली घातीय वृद्धि (exponential growth) से जुड़ी हैं, विशेष रूप से मैट्रिक्स-वेक्टर गुणन (MVMs) के कारण जो उनके कम्प्यूटेशनल भार पर हावी होते हैं। जबकि ऑप्टिकल न्यूरल नेटवर्क (ONNs) ऊर्जा-कुशल MVMs के लिए एक आशाजनक विकल्प प्रदान करते हैं, वर्तमान एकीकृत फोटोनिक दृष्टिकोण महत्वपूर्ण स्केलेबिलिटी सीमाओं का सामना कर रहे हैं। प्रमुख प्रतिमान (paradigm) एकल-मोड वेवगाइड्स से जुड़े असतत प्रोग्राम करने योग्य घटकों (जैसे, मैक-ज़ेंडर इंटरफेरोमीटर, माइक्रोरिंग रेज़ोनेटर) के नेटवर्क पर निर्भर करता है। यह आर्किटेक्चर दो प्राथमिक बाधाओं से ग्रस्त है:

रूटिंग जटिलता (Routing Complexity): $N \times N$ मैट्रिसेस के लिए आवश्यक $O(N^2)$ इलेक्ट्रॉनिक कंट्रोल वायरों को चिप के परिधि के माध्यम से एकीकृत करना, नियंत्रित डिग्री ऑफ फ्रीडम की संख्या को कुछ सौ तक सीमित कर देता है।
स्थानिक अक्षमता (Spatial Inefficiency): वेवलेंथ बाधाओं और कमजोर प्रोग्रामेबिलिटी के कारण व्यक्तिगत ऑप्टिकल घटक भारी (bulky) होते हैं, और इंटरकनेक्शन क्षेत्रों में पर्याप्त चिप क्षेत्र खर्च होता है।

परिणामस्वरूप, मौजूदा चिप्स ऐसे वेक्टर आकार ( $N$ ) का समर्थन करते हैं जो $N \gtrsim 1000$ की दहलीज से बहुत नीचे है, जो कि वह सीमा है जहाँ ऑप्टिक्स इलेक्ट्रॉनिक्स की तुलना में स्पष्ट ऊर्जा-दक्षता लाभ प्रदर्शित करने के लिए आवश्यक है। यह कार्य जिस केंद्रीय चुनौती को संबोधित करता है, वह यह है कि कैसे एक फोटोनिक चिप बनाई जाए जिसमें एक प्रोग्राम करने योग्य अपवर्तनांक वितरण (refractive-index distribution) $n(x, z)$ हो, जो इलेक्ट्रॉनिक वायरिंग की एकीकरण जटिलता से बच सके और तरंग प्रसार पर अनिश्चित नियंत्रण सक्षम कर सके।

कार्यप्रणाली (Methodology)

लेखक एक 2D-प्रोग्रामेबल वेवगाइड पेश करते हैं और प्रदर्शित करते हैं, जो एक ऐसा उपकरण है जो पूरे चिप को असतत तत्वों के संग्रह के बजाय एक निरंतर, पुन: प्रोग्राम करने योग्य सबस्ट्रेट (substrate) के रूप में मानता है।

डिवाइस आर्किटेक्चर और ऑपरेटिंग सिद्धांत

डिवाइस एक लिथियम नियोबेट (LiNbO $_3$ ) स्लैब वेवगाइड है, जो एक कंडक्टिव सिलिकॉन सबस्ट्रेट (ग्राउंड इलेक्ट्रोड के रूप में कार्य करता है) और एक गोल्ड इलेक्ट्रोड के बीच स्थित है। वेवगाइड के ऊपर एक फोटोकंडक्टिव परत (सिलिकॉन-रिच सिलिकॉन नाइट्राइड) जमा की गई है।

अपवर्तनांक मॉड्यूलेशन (Refractive Index Modulation): डिवाइस फोटोकंडक्टिव गेन का उपयोग करके एक स्थानिक रूप से परिवर्तनशील अपवर्तनांक $\Delta n(x, z)$ प्रेरित करने के लिए करता है। इलेक्ट्रोड्स के बीच एक दोलनशील बायस वोल्टेज (1000 V तक) लगाया जाता है। जब एक पैटर्न वाली प्रकाश प्रोजेक्शन (light projection) फोटोकंडक्टर को रोशन करती है, तो इसकी प्रतिबाधा (impedance) स्थानीय रूप से कम हो जाती है, जिससे अंतर्निहित LiNbO $_3$ वेवगाइड के भीतर विद्युत क्षेत्र बढ़ जाता है।
इलेक्ट्रो-ऑप्टिक प्रभाव: बढ़ा हुआ विद्युत क्षेत्र पिकोल्स प्रभाव (Pockels effect) के माध्यम से लिथियम नियोबेट में स्थानीय अपवर्तनांक परिवर्तन को प्रेरित करता है।
प्रोग्रामेबिलिटी: डिवाइस पर अनिश्चित प्रकाश पैटर्न प्रोजेक्ट करके, लेखक लगभग $10^4$ स्थानिक डिग्री ऑफ फ्रीडम (एक $9 \text{ mm} \times 1 \text{ mm}$ क्षेत्र $9 \mu\text{m} \times 9 \mu\text{m}$ रिज़ॉल्यूशन के साथ) में अपवर्तनांक वितरण को आकार दे सकते हैं। सिस्टम पूरे वितरण को 3 Hz की दर से अपडेट करता है।

प्रशिक्षण और मशीन लर्निंग कार्यान्वयन

मशीन लर्निंग कार्यों को करने के लिए, डिवाइस को इनपुट ऑप्टिकल फील्ड्स को आउटपुट तीव्रता वितरण (intensity distributions) में मैप करने के लिए प्रशिक्षित किया जाता है जो वर्गीकरण लेबल (classification labels) के अनुरूप होते हैं।

एन्कोडिंग (Encoding): इनपुट डेटा वेक्टर्स को इनपुट फैसेट पर स्थानिक गॉसियन मोड (spatial Gaussian modes) में एम्प्लीट्यूड-एन्कोडेड किया जाता है।
प्रसार (Propagation): प्रकाश प्रोग्राम करने योग्य वेवगाइड के माध्यम से प्रसारित होता है, जो पैरैक्सियल वेव इक्वेशन (पेपर में समीकरण 1) द्वारा शासित होता है, जहाँ अपवर्तनांक प्रोफाइल 'ट्रेन करने योग्य वेट्स' (trainable weights) के रूप में कार्य करता है।
रीडआउट (Readout): आउटपुट तीव्रता को मापा जाता है और क्लास लेबल के अनुरूप स्थानिक क्षेत्रों में वर्गीकृत (bin) किया जाता है।
प्रशिक्षण एल्गोरिदम (Training Algorithm): लेखक फिजिक्स-अवेयर ट्रेनिंग का उपयोग करते हैं, जो एक हाइब्रिड इन-सीटू–इन-सिलिको बैकप्रोपैगेशन एल्गोरिदम है। फॉरवर्ड पास भौतिक रूप से डिवाइस द्वारा किया जाता है, जबकि बैकवर्ड पास (ग्रेडिएंट गणना) वेव प्रोपेगेशन के एक डिफरेंशिएबल डिजिटल मॉडल का उपयोग करके कंप्यूट किया जाता है। इस मॉडल को प्रयोगात्मक गैर-आदर्शताओं (non-idealities) को ध्यान में रखते हुए डेटा-संचालित मापदंडों के साथ परिष्कृत किया गया था, जिससे बड़े पैरामीटर काउंट के बावजूद कुशल प्रशिक्षण संभव हुआ।

मुख्य योगदान

एक 2D-प्रोग्रामेबल वेवगाइड का प्रदर्शन: लेखकों ने सफलतापूर्वक एक ऐसा डिवाइस निर्मित और संचालित किया जिसमें $\sim 10,000$ प्रोग्राम करने योग्य स्थानिक डिग्री ऑफ फ्रीडम हैं, जो समानांतर इलेक्ट्रो-ऑप्टिक मॉड्यूलेशन के माध्यम से अनिश्चित अपवर्तनांक शेपिंग करने में सक्षम है।
उच्च-आयामी न्यूरल नेटवर्क इन्फरेंस: डिवाइस ने 49 आयामों (MNIST हस्तलिखित अंक) और 12 आयामों (स्वर वर्गीकरण) वाले इनपुट वेक्टर्स के बेंचमार्क कार्यों पर एकल पास (single pass) में न्यूरल नेटवर्क इन्फरेंस किया, जिसमें लीनियर ट्रांसफॉर्मेशन का कोई डिजिटल प्री- या पोस्ट-प्रोसेसिंग नहीं किया गया।
स्केलिंग विश्लेषण: पेपर सैद्धांतिक और संख्यात्मक साक्ष्य प्रदान करता है जो सुझाव देता है कि 2D-प्रोग्रामेबल वेवगाइड्स असतत घटक आर्किटेक्चर की तुलना में डिवाइस की लंबाई के लिए एक बेहतर स्केलिंग लॉ (scaling law) प्रदान करते हैं। जहाँ पारंपरिक दृष्टिकोण अक्सर $N$ (या $N^2$ क्षेत्र) के रूप में डिवाइस की लंबाई स्केलिंग की मांग करते हैं, वहीं लेखक तर्क देते हैं कि मल्टीमोड इंटरफेरेंस के लिए, दिए गए अपवर्तनांक मॉड्यूलेशन स्ट्रेंथ के लिए आवश्यक लंबाई $\sqrt{N}$ के रूप में स्केल होती है।

प्रयोगात्मक परिणाम

स्वर वर्गीकरण (Vowel Classification): डिवाइस को 12-आयामी फॉर्मेंट फ्रीक्वेंसी के इनपुट वेक्टर से 7 बोले गए स्वरों को वर्गीकृत करने के लिए प्रशिक्षित किया गया था। 300 एपॉक्स (लगभग 1 घंटा) के बाद, सिस्टम ने 96% टेस्ट सटीकता प्राप्त की। प्रशिक्षित अपवर्तनांक प्रोफाइल एक समान अवस्था से विकसित होकर एक जटिल पैटर्न बन गया जो इनवर्स-डिजाइन किए गए फोटोनिक संरचनाओं के समान है।
MNIST हस्तलिखित अंक वर्गीकरण: डिवाइस को डाउनसैम्पल्ड 7 $\times$ 7 MNIST छवियों (49-आयामी इनपुट) को 10 वर्गों में वर्गीकृत करने के लिए प्रशिक्षित किया गया। 10 एपॉक्स (लगभग 10 घंटे) के बाद, सिस्टम ने 86% टेस्ट सटीकता प्राप्त की। यह परिणाम एक सिंगल-लेयर डिजिटल न्यूरल नेटवर्क के समान है जिसकी मैट्रिक्स $49 \times 10$ है (जो उसी डाउनसैम्पल्ड कार्य पर 90% प्राप्त करता है), जो यह दर्शाता है कि जटिल मल्टीमोड वेव प्रोपेगेशन प्रभावी रूप से उच्च-आयामी लीनियर ट्रांसफॉर्मेशन को निष्पादित कर सकता है।
डिवाइस प्रदर्शन: अधिकतम प्राप्त अपवर्तनांक मॉड्यूलेशन लगभग $\Delta n \approx 10^{-3}$ था। डिवाइस ने कम प्रोपेगेशन लॉस (< 1 dB/cm) दिखाया और सक्रिय क्षेत्र में 1 mW से कम विद्युत शक्ति का उपयोग किया।

महत्व और दावे

पेपर का दावा है कि यह कार्य वर्तमान एकीकृत फोटोनिक न्यूरल नेटवर्क की स्थानिक और स्केलेबिलिटी सीमाओं को पार करने की दिशा में एक महत्वपूर्ण कदम है।

स्थान दक्षता (Space Efficiency): असतत घटकों को एक निरंतर, प्रोग्राम करने योग्य सबस्ट्रेट से बदलकर, डिवाइस अधिक स्थान-कुशल आर्किटेक्चर प्राप्त करता है। लेखक नोट करते हैं कि उनका प्रोटोटाइप असतत घटकों पर आधारित किसी भी पूर्व रिपोर्ट किए गए ऑन-चिप ऑप्टिकल न्यूरल नेटवर्क की तुलना में बड़े इनपुट आयामों का समर्थन करता है।
ऊर्जा दक्षता क्षमता (Energy Efficiency Potential): यह कार्य एक सैद्धांतिक पथ को उजागर करता है जहाँ ऑप्टिकल MVMs ऊर्जा दक्षता में इलेक्ट्रॉनिक्स को पछाड़ सकते हैं (अनुमानित $N \approx 1000$ पर)। प्रदर्शित $\sqrt{N}$ स्केलिंग यह सुझाव देती है कि 2D-प्रोग्रामेबल वेवगाइड्स इस दहलीज से अधिक आयामों वाले ऑल-ऑप्टिकल मैट्रिक्स-वेक्टर मल्टीप्लायर्स को सक्षम कर सकते हैं, जिससे हाइब्रिड न्यूरल नेटवर्क आर्किटेक्चर (लीनियर ऑपरेशन्स के लिए एनालॉग ऑप्टिक्स, नॉन-लिनियैरिटीज़ के लिए इलेक्ट्रॉनिक्स) ऊर्जा-प्रतिस्पर्धी बन सकते हैं।
पुन: कॉन्फ़िगर करने की क्षमता (Reconfigurability): इनवर्स-डिजाइन किए गए उपकरणों के विपरीत जो फैब्रिकेशन के बाद स्थिर होते हैं, यह डिवाइस पूरी तरह से पुन: कॉन्फ़िगर करने योग्य है। लेखक सुझाव देते हैं कि यह क्षमता मशीन लर्निंग से आगे बढ़कर इंटीग्रल इक्वेशंस (integral equations), कॉम्बिनेटरियल ऑप्टिमाइजेशन को हल करने और बाउंड स्टेट्स इन द कॉन्टिन्यूम (bound states in the continuum) और टोपोलॉजिकल फोटोनिक्स के अध्ययन के लिए एक पुन: कॉन्फ़िगर करने योग्य प्लेटफॉर्म के रूप में भी विस्तारित हो सकती है।

लेखक वर्तमान सीमाओं के संबंध में विनम्र रहते हैं, यह स्वीकार करते हुए कि प्रयोगात्मक प्रोटोटाइप उस शासन (regime) में संचालित हुआ जहाँ प्रकाश ट्रांसवर्स दिशा में प्रभावी रूप से अनगाइडेड (unguided) था, और वर्तमान $\Delta n$ और अपडेट दरें सामग्री गुणों और फोटोकंडक्टिव लेयर डिज़ाइन द्वारा सीमित हैं। हालाँकि, वे तर्क देते हैं कि अनिश्चित मल्टीमोड नियंत्रण का प्रदर्शित सिद्धांत ऑप्टिकल कंप्यूटिंग के लिए नए मार्ग खोलता है।