Riassunto Tecnico: Reti Neurali Ottiche ad Ordine Superiore Parzialmente Coerenti tramite Codifica Pseudo-Nonlineare

Definizione del Problema

Le Reti Neurali Diffrattive (DONN) offrono una via per il calcolo ad alta velocità ed efficiente dal punto di lato energetico, ma affrontano un limite fondamentale: l'assenza di un framework generale per l'attivazione non lineare. La maggior parte delle DONN esistenti opera sotto illuminazione idealmente coerente e realizza principalmente mappature lineari, il che ne restringe la capacità rappresentativa e l'applicabilità in ambienti realistici dove le sorgenti luminose possiedono una coerenza parziale. Sebbene esistano effetti non lineari fisici (ad esempio, assorbimento saturabile, generazione di seconda armonica), essi richiedono spesso alte intensità ottiche e materiali specializzati. Al contrario, la "pseudo-nonlinearità" (strategie di codifica in sistemi lineari) evita i requisiti di alta intensità, ma non è stata sufficientemente integrata con la fisica della luce parzialmente coerente. La sfida centrale affrontata è come introdurre una non linearità efficace e controllabile nelle reti neurali ottiche parzialmente coerenti in modo fisicamente coerente.

Metodologia

Gli autori propongono un framework di Rete Neurale Ottica ad Alto Ordine (HONN) che opera sotto illuminazione parzialmente coerente. Questo framework unifica due fonti di non linearità:

1. Non linearità di rilevamento dipendente dalla coerenza: Derivante dalla risposta di intensità del rilevamento ottico sotto luce parzialmente coerente.
2. Pseudo-Nonlinearità a livello di sistema: Ottenuta attraverso strategie di codifica ottimizzate all'interno del sistema ottico.

Framework Teorico

Il modello estende le convenzionali architetture a pesi lineari introducendo interazioni di ordine superiore tra le variabili di input. L'output $y$ è descritto da un'espansione polinomiale di ordine superiore dove i termini non lineari derivano dall'interazione tra l'ampiezza dell'input, la modulazione di fase e la matrice di coerenza ($\Gamma$).

• Pseudo-Nonlinearità: Implementata codificando i dati di input in strati diffrattivi con parametri di modulazione di fase ($\Phi_i = a_i X + B_i$). Impostando specifici coefficienti ($a_i$) a zero, il sistema può essere sintonizzato per operare a diversi ordini non lineari (dal 1° al 4°).
• Simulazione della Coerenza Parziale: Il sistema utilizza il modello di Gaussian-Schell. Per simulare efficientemente la propagazione parzialmente coerente, gli autori impiegano una sovrapposizione di campi di luce coerenti con spettri casuali ($M=20$ sovrapposizioni), definiti da una lunghezza di coerenza ($l_c$).
• Piattaforma Sperimentale: Una DONN a quattro strati è stata implementata utilizzando un setup con modulatore spaziale di luce (SLM) nel visibile (lunghezza d'onda di 660 nm). Il sistema utilizza due SLM: uno per la codifica di ampiezza/fase dell'input e un secondo per il caricamento della fase modulata per ottenere specifici ordini non lineari.

Addestramento e Validazione

Il modello è stato addestrato utilizzando la teoria della diffrazione di Rayleigh–Sommerfeld e il metodo dello spettro angolare, ottimizzato tramite l'ottimizzatore Adam con perdita di cross-entropy. La validazione è stata eseguita su:

• Digit MNIST e Fashion MNIST: Per analizzare le tendenze delle prestazioni attraverso diverse lunghezze di coerenza ($l_c$) e ordini non lineari.
• RAF (Real-world Affective Faces) e MedMNIST: Per dimostrare l'applicabilità pratica su dataset complessi e reali.
• Test di Robustezza: Valutazione delle prestazioni quando le lunghezze di coerenza di test ($l_{c-test}$) deviano dalle lunghezze di coerenza di addestramento ($l_{c-train}$).

Contributi Chiave

1. Framework HONN Unificato: L'articolo stabilisce un framework generale per l'inferenza ottica ad alto ordine che integra la pseudo-nonlinearità e la coerenza parziale. Postula che la non linearità fisica e la pseudo-nonlinearità siano implementazioni alternative di una forma matematica unificata.
2. Dimostrazione Sperimentale: Gli autori hanno validato sperimentalmente il modello HONN nello spettro visibile, dimostrando che l'accuratezza della classificazione migliora con l'aumentare della lunghezza di coerenza e dell'ordine non lineare.
3. Robustezza della Coerenza: Lo studio rivela che la modulazione di ordine superiore rafforza le risposte non lineari efficaci, compensando il degrado delle prestazioni causato dalla riduzione della coerenza. Ciò suggerisce un compromesso tra picco di accuratezza e robustezza contro il mismatch di coerenza.
4. Efficienza: Il HONN proposto raggiunge prestazioni comparabili alle tradizionali reti neurali elettriche pur utilizzando meno del 10% della loro complessità computazionale.

Risultati

• Tendenze delle Prestazioni: Su Digit MNIST, l'accuratezza simulata è aumentata dal 79,25% al 94,83% (1° ordine) e dall'83,23% al 95,55% (3° ordine) man mano che la lunghezza di coerenza si spostava da $8\Delta x$ alla piena coerenza. I risultati sperimentali hanno seguito tendenze simili, raggiungendo fino al 90,25% di accuratezza.
• Dataset del Mondo Reale: Sul dataset RAF, l'HONN parzialmente coerente ha raggiunto il 72,68% di accuratezza, e sul MedMNIST il 97,17%. Quando integrato con uno strato di lettura elettrica (ibrido optoelettronico), l'accuratezza è migliorata rispettivamente al 75,86% e al 98,39%.
• Comportamento di Scalabilità: È stata osservata una forte correlazione tra la capacità del modello e la coerenza. In condizioni di bassa coerenza, i modelli sovra-parametrizzati soffrivano di overfitting e difficoltà di ottimizzazione, mentre un'alta coerenza facilitava l'addestramento di reti ad alta capacità.
• Robustezza: I modelli addestrati a livelli di coerenza inferiori ($l_{c-train} = 8\Delta x$) hanno mantenuto prestazioni stabili attraverso un intervallo più ampio di condizioni di coerenza di test rispetto ai modelli addestrati ad alta coerenza, che degradavano rapidamente al diminuire di $l_{c-test}$.

Significato e Rivendicazioni

Gli autori affermano che questo lavoro colma una lacuna nella ricerca fornendo un framework unificato per il calcolo neurale ottico ad alto ordine sotto illuminazione parzialmente coerente. Essi sostengono che la coerenza parziale non sia solo un fattore limitante, ma un "grado di libertà fisicamente significativo" che modella il comportamento dell'inferenza.

Il significato del lavoro risiede in:

• Implementazione Pratica: Fornire una via per il calcolo ottico nella visione artificiale, l'imaging computazionale e il sensing sotto condizioni di luce naturale (che sono intrinsecamente parzialmente coerenti).
• Generalizzabilità: Stabilire un framework che estenda oltre i modelli diffrattivi tradizionali, potenzialmente applicabile a sistemi basati su metasuperfici e dispositivi non lineari a bassa soglia.
• Efficienza: Dimostrare che l'inferenza ottica può competere con le reti elettriche in termini di accuratezza riducendo drasticamente la complessità computazionale.

L'articolo conclude che la coerenza, l'ordine non lineare e la capacità del modello debbano essere co-progettati in sistemi ottici parzialmente coerenti per ottimizzare prestazioni e robustezza.