Comparing spectral-robust training objectives in physics-consistent dual-wavelength diffractive networks

Technische Samenvatting: Vergelijking van Spectrale-Robuuste Trainingsdoelstellingen in Fysisch-Consistente Dual-Wavelength Diffractieve Netwerken

Probleemstelling
Diffractieve diepe neurale netwerken (D2NN's) bieden potentiële voordelen voor parallelle golfvoortplanting en lage-latentie optische inferentie. De fysieke robuustheid is echter afhankelijk van talrijke factoren, waaronder golflengteafhankelijkheid, voortplantingssampling, materiaaldispersie en laaguitlijning. Hoewel robuuste leerstrategieën zoals worst-case optimalisatie en average-risk training gevestigd zijn in algemene machine learning, blijft het onduidelijk of sample-wise worst-case spectrale training een reproduceerbaar prestatievoordeel biedt ten opzien van average multi-shift training in fysiek gekoppelde, dual-wavelength diffractieve architecturen. Specifiek onderzoekt de studie of worst-case doelstellingen superieure robuustheid opleveren wanneer architectuur, fysieke modellen, optimalisatiebudgetten en voortplantingssampling strikt gecontroleerd worden.

Methodologie
De studie voerde een gecontroleerde numerieke vergelijking uit met behulp van een dual-wavelength differentiële D2NN-architectuur. Het systeem maakte gebruik van een gedeeld begrensd dikteprofiel (fused silica), waarbij de golflengte-afhankelijke fase werd bepaald door Malitson Sellmeier-dispersie in plaats van onafhankelijke trainbare maskers. De evaluatie richtte zich op twee primaire doelstellingen:

1. Sample-wise worst-case training: Het minimaliseren van de maximale loss over een set golflengte-offsets voor elk sample.
2. Average multi-shift training: Het minimaliseren van de gemiddelde cross-entropy over dezelfde set offsets.

Het experimentele ontwerp omvatte drie afzonderlijke fasen om een rigoureuze vergelijking te waarborgen:

• Brede Benchmark: Acht configuraties getraind op een 64 × 64 voortplantingsgrid en geëvalueerd op een 128 × 128 grid met bevroren apparaatparameters.
• Directe High-Resolution Optimalisatie: Tien gepaarde onafhankelijke trainingsruns voor elk doel, willekeurig geïnitialiseerd en end-to-end getraind direct op een 128 × 128 grid (4 µm pitch).
• Pregespecificeerde Fysische-Domein Analyse: Een bevestigingsstudie die variaties beslaat in laagafstand (2–20 mm), maximale reliëfdikte (1.0–2.0 µm) en trainingsdrift-ranges (±10 tot ±40 nm).

Statistische eenheden werden gedefinieerd als volledige onafhankelijke trainingsruns (geïnitialiseerd met seed 42–51), niet als individuele testbeelden. Prestaties werden gemeten met de Balanced Wavelength-Robustness Score (Balanced-WRS) Area Under the Curve (AUC). De primaire metriek was het gepaarde verschil (worst-case minus average-loss) met bootstrap 95% betrouwbaarheidsintervallen en exacte tweezijdige sign-flip p-waarden.

Belangrijkste Resultaten
De studie vond geen statistisch betrouwbaar voordeel voor sample-wise worst-case training ten opzien van average multi-shift training onder de geteste condities:

• Brede Benchmark (64-grid training / 128-grid frozen re-evaluatie): Het gepaarde verschil in de Balanced-WRS AUC was +0,375 procentpunt (95% CI: −0,546 tot 1,279; p = 0,4648).
• Directe 128-grid Training: De puntinschatting keerde van teken en toonde een verschil van −0,537 procentpunt (95% CI: −2,080 tot 1,143; p = 0,5469).
• Pregespecificeerde ±20 nm Bevestiging: Het verschil was −0,557 procentpunt (95% CI: −2,131 tot 0,833; p = 0,4980).

In alle bevestigende vergelijkingen kruisten de betrouwbaarheidsintervallen nul, wat aangeeft dat geen van beide doelstellingen een superieur worst-case voordeel demonstreerde. Bovendien suggereert de tekenverandering tussen de frozen-device resampling en de directe high-resolution optimalisatie dat evaluatieprotocollen de geobserveerde uitkomsten significant beïnvloeden.

Aanvullende analyses van de foutgrenzen toonden aan:

• Geometrische Robuustheid: Onafhankelijke per-laag verplaatsing (zelfs bij 1 voortplantingspixel) reduceerde de prestaties naar het niveau van kans (ongeveer 25% voor een 4-klasse taak), wat aangeeft dat spectrale robuustheid niet impliceert dat geometrische uitlijningsrobuustheid aanwezig is.
• Input Corruptie: Corruptie-geaugmenteerde training produceerde slechts kleine, corruptie-afhankelijke veranderingen, en slaagde er niet in om algemene gezamenlijke input-en-spectrale robuustheid te vestigen.
• Prestatie Baseline: De optische modellen bereikten ongeveer 27–29% gebalanceerde accuratesse, aanzienlijk lager dan een compact elektronisch CNN (75,03%) op dezelfde taak, wat de huidige beperkingen van het lage-capaciteit optische model benadrukt.

Betekenis en Claims
Het artikel positioneert zichzelf expliciet als een "negatief resultaat" en een methodologische bijdrage, in plaats van een demonstratie van een nieuwe universele theorie of een hardwarevalidatie. De primaire claims zijn:

1. Geen Gevestigde Superieuriteit: Onder het specifieke fysieke model, de OCTMNIST-taak en het gebruikte optimalisatiebudget, biedt sample-wise worst-case training geen reproduceerbaar voordeel ten opzien van average multi-shift training.
2. Protocol Sensitiviteit: De omkering van de effecttekens tussen low-resolution resampling en directe high-resolution optimalisatie laat zien dat frozen-device evaluatie niet kan dienen als vervanging voor directe high-resolution training.
3. Methodologische Rigor: De studie pleit voor een strikter evaluatiewerkflow voor spectrale-robuuste training, waarbij de nadruk wordt gelegd op het onderscheid tussen frozen-device resampling en directe optimalisatie, het gebruik van volledige onafhankelijke runs als statistische eenheden, en het rapporteren van gepaarde effecten met onzekerheid.
4. Scope Beperkingen: De resultaten zijn beperkt tot scalaire angular-spectrum simulaties zonder gefabriceerde apparaten, gemeten bronspectra of polarisatie-effecten. De studie claimt geen klinische of inzetbare systeem-viabiliteit, en merkt op dat de huidige optische prestaties hiervoor onvoldoende zijn.

Samenvattend biedt het werk een onzekerheid-bewuste numerieke vergelijking die de aanname van inherente superieuriteit voor worst-case spectrale training in dual-wavelength D2NN's uitdaagt en het cruciale belang van evaluatieprotocollen in fysiek neurale netwerkonderzoek benadrukt.