Tutorial: A practical guide to the alignment of defocused spatial light modulators for fast diffractive neural networks

기술 요약: 고속 회절 신경망을 위한 초점 이탈 공간 광 변조기의 정렬에 대한 실용적 가이드

문제 제기
광학 회절 신경망 (DNN) 은 빛의 속도와 전장 광학의 병렬 처리 능력을 활용하여 기계 학습을 가속화하고 에너지 소비를 줄이는 경로를 제공합니다. 그러나 이러한 시스템을 훈련시키는 데에는 중요한 병목 현상이 존재합니다. 공간 광 변조기 (SLM) 의 낮은 재생 속도가 데이터 획득 및 처리 속도를 제한하기 때문입니다. 공간 다중화 (SLM 의 서로 다른 관심 영역 (ROI) 에 여러 입력 이미지를 동시에 표시하는 것) 는 이론적으로 훈련 속도를 수 배에서 수천 배까지 가속화할 수 있지만, 이는 중요한 실험적 과제를 도입합니다. 다중화가 작동하려면 모든 병렬 채널이 정확히 동일한 물리적 연산을 수행해야 합니다. 이는 진폭 변조기 (예: 마이크로 디스플레이) 와 위상 변조기 (SLM) 와 같은 연속된 변조기 간에 극도의 정밀도로 픽셀 수준의 켤레 (conjugation) 를 요구합니다. 파장이 가시광선 영역으로 감소함에 따라 기계적 정렬 오차에 대한 허용 오차는 줄어들고 전파 매체를 제어하는 복잡성은 크게 증가합니다. 다중 평면 광 변환기 (MPLC) 와 같은 유사한 아키텍처에 대한 기존 정렬 방법은 정렬 오차에 대한 허용 오차가 낮거나 SLM 의 복잡한 분할을 요구하여 사용 가능한 자유도 (DoFs) 를 감소시킵니다. 또한, 물리적 신경망을 훈련시키는 것은 기생 반사, 수차, 잡음으로 인해 복잡해지며, 이로 인해 표준 역전파 알고리즘을 실험 데이터에 직접 적용하기 어렵습니다.

방법론
저자들은 진폭 변조기 (마이크로 디스플레이, µDisplay) 와 위상 전용 변조기 (SLM) 간의 픽셀 수준 켤레를 달성하도록 설계된 반자동 정렬 절차를 제시합니다. 이 설정은 4f 시스템을 사용하여 µDisplay 를 SLM 에 상형성한 후, 초점 이탈 카메라로 전파시켜 자유 공간 회절을 모방합니다.

정렬 프로토콜은 세 가지 주요 단계로 구성됩니다:

1. 축 방향 위치 결정: 4f 시스템의 배율을 두 변조기의 픽셀 피치 비율과 일치하도록 수동으로 조정합니다. 이는 SLM 을 카메라로 교체하여 상면을 위치시키고 렌즈 거리를 반복적으로 조정함으로써 달성됩니다.
2. 수동 측면 및 축 방향 정렬: 6 축 스테이지를 사용하여 SLM 을 대략적으로 위치시킵니다. 저자들은 날카로운 가장자리에서의 빛 회절을 활용합니다. SLM 에 위상 기울기가 있는 목표 (예: 0 과 $2\pi$ 위상이 교대로 나타나는 동심원) 를 표시하고 µDisplay 에는 균일한 강도 패턴을 표시함으로써, 가장자리가 켤레 평면에서 어두운 영역으로 가시화됩니다. 이를 통해 수동 거친 정렬이 가능합니다.
3. 자동 미세 조정: 컴퓨터 비전 알고리즘이 정렬을 정제합니다. 시스템은 µDisplay 에 디스크를 표시하고 SLM 에 동심 위상 패턴을 표시합니다. 표준 타원 피팅 알고리즘 (OpenCV 를 통해) 을 사용하여 카메라에서 생성된 어두운 점들의 중심을 감지합니다. µDisplay 특징과 SLM 특징의 중심을 비교함으로써 알고리즘은 필요한 병진 이동을 계산합니다. 이 과정은 위치가 수렴할 때까지 반복됩니다.

이 방법은 초점 이탈에 강건하며 확장 가능합니다. 동일한 절차를 순차적으로 적용하여 임의의 수의 변조기를 정렬할 수 있습니다. 결과적으로 생성된 설정은 강도 측정만으로 특성화됩니다. SLM 에 무작위 위상 마스크를 표시하고 µDisplay 에 일정한 조명을 표시함으로써 저자들은 생성된 스펙클 패턴을 분석합니다. 채널이 완벽하게 정렬되면 모든 ROI 에 걸쳐 스펙클 패턴이 동일해야 합니다 (이동 불변). 정렬 오차는 이동되거나 왜곡된 스펙클 패턴을 초래하며, 이는 상호 상관관계를 통해 정량화될 수 있습니다.

주요 기여 및 결과

• 확장 가능한 정렬 절차: 저자들은 픽셀 수준의 정밀도로 여러 SLM 을 정렬하는 견고한 반자동 방법을 입증했습니다. 알고리즘은 약 5 회 반복 (1 분 미만) 내에 수렴하며, 초기 수동 정렬이 심도 내에 있는 한 초점 이탈에 민감하지 않습니다.
• 고밀도 공간 다중화: 정렬된 설정은 각각 $64 \times 64$ 픽셀인 독립적인 ROI 의 $10 \times 10$ 격자를 성공적으로 지원하여 $4 \times 10^5$ 이상의 공간 자유도를 제공합니다. 이를 통해 100 개의 입력을 동시에 처리할 수 있습니다.
• 훈련 가속화: 공간 다중화를 활용함으로써 DNN 의 훈련 시간은 한 번에 한 이미지를 처리하는 경우 약 4 일에서 3 층 네트워크에서 10 에포크에 대해 약 1 시간으로 단축됩니다. 이는 가시광선 영역에서 광학 DNN 의 훈련을 표준 실험실 시간 범위 내에서 실현 가능하게 만듭니다.
• 잡음 감소: 공간 다중화 방식은 잡음 평균화 메커니즘으로 작용합니다. 저자들은 평균화된 ROI 의 수가 증가함에 따라 평균 제곱 오차 (MSE) 가 $1/\sqrt{n}$ 추세를 따르며 감소하여 실험적 잡음을 효과적으로 줄인다고 보여줍니다.
• 알고리즘 적응: 전장 광학 설정에 내재된 높은 잡음과 기생 반사로 인해 표준 역전파는 실패합니다. 저자들은 광학 인코더를 훈련하기 위해 역전파가 없는 방법인 Forward-Forward 알고리즘의 감독 버전과 소규모 디지털 레이어를 결합하여 성공적으로 구현했습니다. 이 접근 방식은 MNIST 데이터셋에서 약 85% 의 추론 정확도를 달성했습니다. 정밀한 정렬이 없으면 시스템은 학습할 수 없었으며, 추론 점수는 약 30% 에서 정체되었습니다.

의의 및 주장
이 논문은 확장 가능하고 고속인 광학 회절 신경망 구축의 실험적 과제에 대한 실용적 해결책을 제공한다고 주장합니다. 여러 변조기의 정밀한 픽셀 수준 켤레를 가능하게 함으로써, 저자들은 공간 다중화가 SLM 의 재생 속도 제한을 극복하기 위한 유효한 전략임을 입증했습니다. 결과적으로 생성된 시스템은 수백 개의 입력을 동시에 처리할 수 있는 빠르고 재구성 가능한 광학 DNN 으로 작동합니다.

저자들은 이 설정을 단순한 분류기가 아니라 물리적 신경망의 훈련을 조사하기 위한 다목적 플랫폼으로 위치시킵니다. 그들은 이 시스템이 비선형성 (카메라의 강도 민감도로 인해 도입됨) 을 가진 층상 매체 내 전파를 모방하며 현실적인 실험적 잡음을 포함한다고 강조합니다. 현재 구현은 직접적인 광학 역전파의 어려움으로 인해 하이브리드 광학 - 디지털 훈련 방식에 의존하지만, 저자들은 이 플랫폼이 광학과 기계 학습을 연결하는 데 이상적이라고 주장합니다. 그들은 변조기 기술의 추가 개선 (비평면성, 크로스토크, 기생 반사 해결) 이 결국 완전한 광학 학습으로 이어질 수 있다고 제안합니다. 정렬 방법 자체는 SLM 의 정밀한 켤레가 필요한 복잡한 매체 내 광학 파 제어, 통신, 홀로그래피 등 다른 파면 형성 응용 분야에도 유용할 수 있다고 지적됩니다.