🔬 optics

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

Dit artikel presenteert een schaalbare, semi-automatische uitlijningsprocedure die pixel-level conjugatie van meerdere ruimtelijke lichtmodulatoren realiseert, waardoor snelle, ruisreducerende training van optische diffractieve neurale netwerken via ruimtelijke multiplexing mogelijk wordt.

Oorspronkelijke auteurs: Guillaume Noetinger, Tim Tuuva, Romain Fleury

Gepubliceerd 2026-05-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Guillaume Noetinger, Tim Tuuva, Romain Fleury

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Een "Lichtbrein" Bouwen

Stel je voor dat je een computer wilt bouwen die denkt met licht in plaats van elektriciteit. Dit heet een Optisch Neuraal Netwerk (DNN). In plaats van siliciumchips gebruikt het spiegels, lenzen en speciale schermen om informatie te verwerken met de snelheid van licht.

Het probleem? Deze lichtgebaseerde computers zijn momenteel erg traag om te "leren" (trainen). Het is alsof je een hond een nieuwe truc leert door hem één kaart tegelijk te tonen, te wachten tot de hond reageert, en dan de volgende kaart te tonen. Als je 60.000 kaarten hebt, duurt dit eeuwig.

De onderzoekers van de EPFL (een Zwitserse universiteit) hebben dit opgelost door een manier te vinden om de computer 100 kaarten tegelijk te tonen. Ze bouwden een opstelling die twee speciale schermen perfect op elkaar uitlijnt, zodat ze een enorme hoeveelheid data gelijktijdig kunnen verwerken. Hierdoor versnelt het leerproces met een factor 100.

Het Probleem: De "Spookachtige" Schermen

Om dit werkend te krijgen, gebruikten ze twee speciale schermen:

Het Amplitudescherm (µDisplay): Dit fungeert als een projector en toont de afbeeldingen (de "vragen").
Het Fasescherm (SLM): Dit fungeert als een lens die het licht op complexe manieren buigt (het "denken").

Om de computer te laten werken, moeten deze twee schermen perfect op elkaar uitgelijnd zijn. Stel je voor dat je twee transparante vellen papier met tekeningen erop probeert te stapelen. Als je ze zelfs maar een heel klein beetje verschuift (zoals de breedte van een mensenhaar), komen de tekeningen niet meer overeen.

In de wereld van het licht zijn de "tekeningen" eigenlijk patronen van lichtgolven. Als de schermen niet uitgelijnd zijn, raakt het licht van het eerste scherm niet de juiste plekken op het tweede scherm. Het resultaat is een rommelige, wazige puinhoop waarin de computer niets kan leren.

De Uitdaging: Het handmatig uitlijnen van deze schermen is ongelooflijk moeilijk. De foutmarge is microscopisch. Als je slechts een fractie van een pixel mis zit, faalt het hele systeem.

De Oplossing: De "Auto-Pilot" Uitlijning

De onderzoekers ontwikkelden een slimme, semi-automatische procedure om deze schermen met pixel-perfecte precisie op elkaar te lijnen. Denk hierbij aan een auto met zelfparkeren, maar dan voor lichtgolven.

Zo werkt hun "Auto-Pilot":

De "Rand"-truc: Ze tonen een patroon op het fasescherm dat lijkt op een reeks donkere cirkels met scherpe randen. Door hoe licht om scherpe randen buigt (diffractie), verschijnen deze cirkels als donkere vlekken op een camera.
De "Doel"-truc: Ze tonen ook overeenkomstige vormen op het amplitudescherm.
De Dans: De computer maakt een foto, vindt het midden van de donkere vlekken met een standaard wiskundige truc (het passen van een ellips), en vertelt de mechanische stage vervolgens om het scherm iets te verplaatsen zodat de middens overeenkomen.
Herhalen: Dit doet het keer op keer, zeer snel, totdat de twee schermen perfect op elkaar gestapeld zijn, pixel voor pixel.

Het Resultaat: Ze kunnen nu een raster van 100 aparte "vensters" (zogenaamde Regions of Interest) nemen en ervoor zorgen dat elk enkel venster op het eerste scherm perfect uitgelijnd is met zijn partner op het tweede scherm.

Waarom Dit Belangrijk Is: De "Groepsstudie" Analogie

Voor deze uitvinding was het trainen van een optisch brein als een student die alleen studeert. Ze konden maar één wiskundeprobleem tegelijk bekijken.

Met deze nieuwe uitlijningsmethode hebben de onderzoekers het omgezet in een groepsstudie met 100 studenten.

Snelheid: In plaats van 100 problemen één voor één op te lossen (wat uren duurde), lost het systeem alle 100 tegelijk op. Hierdoor daalt de trainingstijd van dagen naar minuten.
Ruisreductie: In een luidruchtige kamer kan het zijn dat als één student een verkeerd antwoord hoort, dit hen in de war brengt. Maar als 100 studenten samenwerken, middelt de "ruis" (willekeurige fouten) zich uit. De onderzoekers ontdekten dat door naar alle 100 kanalen tegelijk te kijken, het signaal veel duidelijker en betrouwbaarder werd.

Wat Ze Eigenlijk Deden (en Niet Deden)

Wat ze bereikten: Ze bouwden een werkende optische opstelling die honderden invoer tegelijk kan verwerken. Ze bewezen dat hun uitlijningsmethode zo goed werkt dat de "100 studenten" allemaal exact dezelfde berekening uitvoeren. Ze slaagden erin dit systeem te trainen om handgeschreven cijfers (zoals de cijfers 0-9) te herkennen met ongeveer 85% nauwkeurigheid.
Wat ze niet deden: Ze bouwden geen commercieel product, noch beweerden ze dat dit binnenkort je laptop zal vervangen. Ze gebruikten dit niet om ziektes te diagnosticeren of het weer te voorspellen. Ze bewezen simpelweg dat deze specifieke methode van schermen uitlijnen werkt en optisch leren veel sneller en minder ruisgevoelig maakt.

De Conclusie

Dit artikel is een "hoe-het-moet"-handleiding voor een zeer moeilijke technische taak. Het is alsof je een monteur een nieuwe, ultra-precieze sleutel geeft die hen in staat stelt een complexe motor met 100 bewegende onderdelen perfect uitgelijnd te assembleren. Omdat de motor nu correct is samengesteld, draait hij 100 keer sneller en soepeler dan voorheen. Dit opent de deur voor wetenschappers om in de toekomst snellere, efficiëntere "lichtbreinen" te bouwen.

Technische Samenvatting: Een Praktische Gids voor de Uitlijning van Defocusruimtelijke Lichtmodulatoren voor Snelle Diffractieve Neurale Netwerken

Probleemstelling
Optische diffractieve neurale netwerken (DNN's) bieden een weg om machine learning te versnellen en energieverbruik te verminderen door gebruik te maken van de lichtsnelheid en de parallelle verwerkingscapaciteiten van full-field-optica. Er bestaat echter een aanzienlijke knelpunt bij het trainen van deze systemen: de lage verversingssnelheden van ruimtelijke lichtmodulatoren (SLM's) beperken de snelheid van data-acquisitie en verwerking. Hoewel ruimtelijke multiplexing – het gelijktijdig tonen van meerdere invoerbeelden over verschillende gebieden van belang (ROI's) op de SLM – theoretisch de training met ordes van grootte kan versnellen, introduceert dit een kritieke experimentele uitdaging. Voor multiplexing om te functioneren, moet elke parallelle kanaal exact dezelfde fysieke bewerking uitvoeren. Dit vereist een conjugatie op pixelniveau tussen opeenvolgende modulatoren (bijvoorbeeld een amplitude-modulator en een fase-modulator) met extreme precisie. Naarmate golflengten afnemen naar het zichtbare spectrum, neemt de tolerantie voor mechanische misuitlijning en de complexiteit van het beheersen van het voortplantingsmedium aanzienlijk toe. Bestaande uitlijnmethoden voor vergelijkbare architecturen, zoals multi-plane light converters (MPLC's), lijden vaak aan een lage tolerantie voor misuitlijning of vereisen een complexe partitionering van de SLM, waardoor de beschikbare vrijheidsgraden (DoF's) worden verminderd. Bovendien wordt het trainen van fysische neurale netwerken bemoeilijkt door parasitaire reflecties, aberraties en ruis, waardoor standaard backpropagatie-algoritmen moeilijk rechtstreeks op experimentele data kunnen worden toegepast.

Methodologie
De auteurs presenteren een semi-automatische uitlijnprocedure die is ontworpen om conjugatie op pixelniveau te bereiken tussen een amplitude-modulator (een microdisplay, µDisplay) en een fase-only modulator (een SLM). De opstelling maakt gebruik van een 4f-systeem om het µDisplay af te beelden op de SLM, gevolgd door voortplanting naar een defocuscamera om vrije-ruimte diffractie na te bootsen.

Het uitlijnprotocol bestaat uit drie hoofdfasen:

Axiale Positionering: De vergroting van het 4f-systeem wordt handmatig aangepast om de verhouding tussen de pixelstappen van de twee modulatoren te matchen. Dit wordt bereikt door de SLM te vervangen door een camera om het beeldvlak te lokaliseren en de lensafstanden iteratief aan te passen.
Handmatige Laterale en Axiale Uitlijning: Met behulp van een zes-assige tafel wordt de SLM ruw gepositioneerd. De auteurs maken gebruik van de diffractie van licht aan scherpe randen: door doelen met fasegradiënten (bijvoorbeeld concentrische cirkels met afwisselend 0 en $2\pi$ fase) op de SLM weer te geven en uniforme intensiteitspatronen op het µDisplay, worden de randen zichtbaar als donkere gebieden in een conjugerend vlak. Dit maakt handmatige grove uitlijning mogelijk.
Geautomatiseerde Fijnafstelling: Een computer vision-algoritme verfijnt de uitlijning. Het systeem toont schijven op het µDisplay en concentrische fasepatronen op de SLM. Met behulp van standaard ellipsfitting-algoritmen (via OpenCV) detecteert het systeem de centra van de resulterende donkere vlekken op de camera. Door de zwaartepunten van de µDisplay-kenmerken en de SLM-kenmerken te vergelijken, berekent het algoritme de benodigde translatieverschuivingen. Dit proces herhaalt zich totdat de posities convergeren.

De methode is robuust tegen defocus en schaalbaar; dezelfde procedure kan sequentieel worden toegepast om elk aantal modulatoren uit te lijnen. De resulterende opstelling wordt gekarakteriseerd met uitsluitend intensiteitsmetingen. Door willekeurige fase-maskers op de SLM weer te geven en constante verlichting op het µDisplay, analyseren de auteurs de resulterende specklepatronen. Als de kanalen perfect zijn uitgelijnd, moeten de specklepatronen over alle ROI's identiek zijn (shift-invariant). Misuitlijning resulteert in verschoven of vervormde specklepatronen, die via kruiscorrelatie kunnen worden gekwantificeerd.

Belangrijkste Bijdragen en Resultaten

Schaalbare Uitlijnprocedure: De auteurs demonstreren een robuuste, semi-automatische methode om meerdere SLM's met precisie op pixelniveau uit te lijnen. Het algoritme convergeert binnen ongeveer 5 iteraties (minder dan één minuut) en is ongevoelig voor defocus, mits de initiële handmatige uitlijning binnen de scherptediepte ligt.
Hoge Dichtheid Ruimtelijke Multiplexing: De uitgelijnde opstelling ondersteunt succesvol een $10 \times 10$ -rooster van onafhankelijke ROI's, elk $64 \times 64$ pixels, wat meer dan $4 \times 10^5$ ruimtelijke vrijheidsgraden biedt. Dit maakt gelijktijdige verwerking van 100 invoer mogelijk.
Versnelling van Training: Door gebruik te maken van ruimtelijke multiplexing, wordt de trainingstijd voor een DNN gereduceerd van ongeveer 4 dagen (één afbeelding per keer verwerken) tot ongeveer 1 uur voor 10 epoch's op een 3-laags netwerk. Dit maakt het trainen van optische DNN's in het zichtbare spectrum haalbaar binnen standaard laboratoriumtijdsbestekken.
Ruisreductie: Het ruimtelijke multiplexingschema fungeert als een ruis-averagemechanisme. De auteurs tonen aan dat de gemiddelde kwadratische fout (MSE) afneemt naarmate het aantal geaverageerde ROI's toeneemt, volgens een $1/\sqrt{n}$ -trend, wat experimentele ruis effectief reduceert.
Algoritmische Aanpassing: Vanwege de hoge ruis en parasitaire reflecties die inherent zijn aan full-field optische opstellingen, faalt standaard backpropagatie. De auteurs implementeren succesvol een supervised versie van het Forward-Forward-algoritme (een backpropagatie-vrije methode) gecombineerd met een kleine digitale laag om de optische encoder te trainen. Deze aanpak bereikte een inferentie-accuraatheid van ongeveer 85% op de MNIST-dataset. Zonder de precieze uitlijning kon het systeem niet leren, waarbij de inferentiescores stagneerden rond de 30%.

Betekenis en Beweringen
Het artikel beweert dat dit werk een praktische oplossing biedt voor de experimentele uitdagingen bij het bouwen van schaalbare, hoge-snelheid optische diffractieve neurale netwerken. Door precieze conjugatie op pixelniveau van meerdere modulatoren mogelijk te maken, demonstreren de auteurs dat ruimtelijke multiplexing een levensvatbare strategie is om de beperkingen in verversingssnelheid van SLM's te overwinnen. Het resulterende systeem fungeert als een snelle, herconfigureerbare optische DNN die honderden invoer gelijktijdig kan verwerken.

De auteurs positioneren deze opstelling niet alleen als een classifier, maar als een veelzijdig platform voor het onderzoeken van het trainen van fysische neurale netwerken. Zij benadrukken dat het systeem voortplanting nabootst in gelaagde media met niet-lineariteiten (ingebracht door de intensiteitsgevoeligheid van de camera) en realistische experimentele ruis bevat. Hoewel de huidige implementatie vertrouwen op een hybride optisch-digitaal trainingschema vanwege de uitdagingen van directe optische backpropagatie, betogen de auteurs dat dit platform ideaal is voor het overbruggen van optica en machine learning. Zij suggereren dat verdere verbeteringen in modulatortechnologie (het aanpakken van niet-planariteit, kruisspraak en parasitaire reflecties) uiteindelijk kunnen leiden tot volledig optisch leren. De uitlijnmethodiek zelf wordt opgemerkt als potentieel nuttig voor andere golfvorm-vormingstoepassingen, zoals het beheersen van optische golven in complexe media, telecommunicatie en holografie, waaroveral een precieze conjugatie van SLM's vereist is.