Technische Samenvatting: Gedeeltelijk Coherente Hoger-Orde Optische Neurale Netwerken via Pseudo-Nietlineaire Encodering

Probleemstelling

Diffractieve Optische Neurale Netwerken (DONNs) bieden een pad naar hoogwaardige, energiezuinige computing, maar worden geconfronteerd met een fundamentele beperking: het ontbreken van een algemeen kader voor nietlineaire activatie. De meeste bestaande DONNs werken onder ideaal coherente verlichting en realiseren primair lineaire mapping, wat hun representatiecapaciteit en toepasbaarheid in realistische omgevingen waar lichtbronnen gedeeltelijk coherent zijn, beperkt. Hoewel fysieke nietlineaire effecten (bijv. verzadigende absorptie, tweede harmonische generatie) bestaan, vereisen deze vaak hoge optische intensiteiten en gespecialiseerde materialen. Daarentegen vermijdt "pseudo-nietlineariteit" (encoderingsstrategieën in lineaire systemen) de noodzaak voor hoge intensiteiten, maar is het nog niet voldoende geïntegreerd met de fysica van gedeeltelijk coherent licht. De centrale uitdaging die wordt aangepakt, is hoe effectieve, controleerbare nietlineariteit kan worden geïntroduceerd in gedeeltelijk coherente optische neurale netwerken op een fysiek consistente wijze.

Methodologie

De auteurs stellen een High-Order Optical Neural Network (HONN) framework voor dat opereert onder gedeeltelijk coherente verlichting. Dit framework verenigt twee bronnen van nietlineariteit:

1. Coherentie-afhankelijke Detectie-nietlineariteit: Voortkomend uit de intensiteitsrespons van optische detectie onder gedeeltelijk coherent licht.
2. Systeem-niveau Pseudo-Nietlineariteit: Bereikt door geoptimaliseerde encoderingsstrategieën binnen het optische systeem.

Theoretisch Kader

Het model breidt conventionele lineaire gewichtsarchitecturen uit door de introductie van hoger-orde interacties tussen invoervariabelen. De output $y$ wordt beschreven door een hoog-orde polynoomexpansie waarbij nietlineaire termen voortkomen uit het samenspel van de invoeramplitude, fasemodulatie en de coherentiematrix ($\Gamma$).

• Pseudo-Nietlineariteit: Geïmplementeerd door invoergegevens te encoderen in diffractieve lagen met fasemodulatieparameters ($\Phi_i = a_i X + B_i$). Door specifieke coëfficiënten ($a_i$) op nul te zetten, kan het systeem worden afgestemd om op verschillende nietlineaire orden (1e tot 4e) te opereren.
• Simulatie van Gedeeltelijke Coherentie: Het systeem maakt gebruik van het Gaussian-Schell model. Om de propagatie van gedeeltelijk coherent licht efficiënt te simuleren, gebruiken de auteurs een superpositie van coherente lichtvelden met willekeurige spectra ($M=20$ superposities), gedefinieerd door een coherentielengte ($l_c$).
• Experimenteel Platform: Een vierlaags DONN werd geïmplementeerd met behulp van een zichtbaar licht spatial light modulator (SLM) opstelling (golflengte 660 nm). Het systeem gebruikt twee SLM's: één voor invoeramplitude/fase-encodering en een tweede voor gemoduleerde fase-loading om specifieke nietlineaire orden te bereiken.

Training en Validatie

Het model werd getraind met behulp van de Rayleigh–Sommerfeld diffractietheorie en de angular spectrum methode, geoptimaliseerd via de Adam-optimizer met cross-entropy loss. Validatie werd uitgevoerd op:

• Digit MNIST en Fashion MNIST: Om prestatietrends te analyseren over variërende coherentielengtes ($l_c$) en nietlineaire orden.
• RAF (Real-world Affective Faces) en MedMNIST: Om praktische toepasbaarheid op complexe, real-world datasets aan te tonen.
• Robuustheidstesten: Het evalueren van prestaties wanneer test-coherentielengtes ($l_{c-test}$) afwijken van de training-coherentielengtes ($l_{c-train}$).

Belangrijkste Bijdragen

1. Verenigd HONN Framework: Het artikel stelt een algemeen framework vast voor hoog-orde optische inferentie dat pseudo-nietlineariteit en gedeeltelijke coherentie integreert. Het stelt dat fysieke nietlineariteit en pseudo-nietlineariteit alternatieve implementaties zijn van een verenigde wiskundige vorm.
2. Experimentele Demonstratie: De auteurs hebben het HONN-model experimenteel gevalideerd in het zichtbare spectrum, waarbij zij aantoonden dat de classificatienauwkeurigheid toeneemt met de toename van de coherentielengte en de nietlineaire orde.
3. Coherente Robuustheid: De studie onthult dat hogere-orde modulatie de effectieve nietlineaire respons versterkt, waardoor de prestatieafname veroorzaakt door verminderde coherentie wordt gecompenseerd. Dit suggereert een afruil tussen piek nauwkeurigheid en robuustheid tegen coherentie-mismatch.
4. Efficiëntie: Het voorgestelde HONN bereikt prestaties die vergelijkbaar zijn met traditionele elektrische neurale netwerken, terwijl het minder dan 10% van hun computationele complexiteit gebruikt.

Resultaten

• Prestatietrends: In gesimuleerde nauwkeurigheid op Digit MNIST steeg de waarde van 79,25% naar 94,83% (1e orde) en van 83,23% naar 95,55% (3e orde) naarmate de coherentielengte bewoog van $8\Delta x$ naar volledig coherent. Experimentele resultaten volgden vergelijkbare trends en bereikten tot 90,25% nauwkeurigheid.
• Real-world Datasets: Op de RAF-dataset bereikte de gedeeltelijk coherente HONN een nauwkeurigheid van 72,68%, en op MedMNIST 97,17%. Wanneer geïntegreerd met een elektrische readout-laag (opto-elektronische hybride), verbeterde de nauwkeurigheid naar respectievelijk 75,86% en 98,39%.
• Schaalgedrag: Er werd een sterke koppeling waargenomen tussen modelcapaciteit en coherentie. Onder lage coherentie leden overgeparameteriseerde modellen aan overfitting en optimalisatieproblemen, terwijl hoge coherentie de training van hoog-capaciteitsnetwerken faciliteerde.
• Robuustheid: Modellen getraind bij lagere coherentie ($l_{c-train} = 8\Delta x$) behielden een stabiele prestatie over een breder bereik van test-coherentiecondities vergeleken met modellen getraind bij hoge coherentie, die snel degradeerden naarmate $l_{c-test}$ afnam.

Betekenis en Claims

De auteurs claimen dat dit werk een onderzoeksgat vult door een verenigd framework te bieden voor hoog-orde optische neurale computatie onder gedeeltelijk coherente verlichting. Zij stellen dat gedeeltelijke coherentie niet louter een beperkende factor is, maar een "fysiek betekenende vrijheidsgraad" die het inferentiegedrag vormgeeft.

De betekenis van het werk ligt in:

• Praktische Implementatie: Het bieden van een route voor optische computing in machine vision, computationele beeldvorming en sensing onder natuurlijke lichtomstandigheden (die inherent gedeeltelijk coherent zijn).
• Generaliseerbaarheid: Het vestigen van een framework dat verder gaat dan traditionele diffractieve modellen, potentieel toepasbaar op metasurface-gebaseerde systemen en low-threshold nietlineaire apparaten.
• Efficiëntie: Het demonstreren dat optische inferentie in nauwkeurigheid kan concurreren met elektrische netwerken, terwijl de computationele complexiteit drastisch wordt verminderd.

Het artikel concludeert dat coherentie, nietlineaire orde en modelcapaciteit gezamenlijk ontworpen (co-designed) moeten worden in gedeeltelijk coherente optische systemen om prestaties en robuustheid te optimaliseren.