Resumo Técnico: Redes Neurais Ópticas de Ordem Superior Parcialmente Coerentes via Codificação Pseudo-Não Linear

Declaração do Problema

As Redes Neurais Ópticas Difrativas (DONNs) oferecem um caminho para computação de alta velocidade e eficiência energética, mas enfrentam uma limitação fundamental: a ausência de um framework geral para ativação não linear. A maioria das DONNs existentes opera sob iluminação idealmente coerente e realiza primordialmente mapeamentos lineares, o que restringe sua capacidade de representação e aplicabilidade em ambientes realistas onde as fontes de luz possuem coerência parcial. Embora efeitos não lineares físicos (ex: absorção saturável, geração de segundo harmônico) existam, eles frequentemente exigem intensidades ópticas elevadas e materiais especializados. Por outro modo, a "pseudo-não linearidade" (estratégias de codificação em sistemas lineares) evita a necessidade de altas intensidades, mas não foi suficientemente integrada com a física da luz parcialmente coerente. O desafio central abordado é como introduzir uma não linearidade eficaz e controlável em redes neurais ópticas parcialmente coerentes de uma maneira fisicamente consistente.

Metodologia

Os autores propõem um framework de Rede Neural Óptica de Alta Ordem (HONN) que opera sob iluminação parcialmente coerente. Este framework unifica duas fontes de não linearidade:

1. Não Linearidade de Detecção Dependente de Coerência: Decorrente da resposta de intensidade da detecção óptica sob luz parcialmente coerente.
2. Pseudo-Não Linearidade de Nível de Sistema: Alcançada através de estratégias de codificação otimizadas dentro do sistema óptico.

Framework Teórico

O modelo estende as arquiteturas convencionais de pesos lineares ao introduzir interações de ordem superior entre as variáveis de entrada. A saída $y$ é descrita por uma expansão polinomial de alta ordem onde termos não lineares surgem da interação entre a amplitude de entrada, modulação de fase e a matriz de coerência ($\Gamma$).

• Pseudo-Não Linearidade: Implementada ao codificar os dados de entrada em camadas difrativas com parâmetros de modulação de fase ($\Phi_i = a_i X + B_i$). Ao definir coeficientes específicos ($a_i$) como zero, o sistema pode ser ajustado para operar em diferentes ordens não lineares (da 1ª à 4ª).
• Simulação de Coerência Parcial: O sistema utiliza o modelo de Gaussian-Schell. Para simular a propagação parcialmente coerente de forma eficiente, os autores empregam uma superposição de campos de luz coerentes com espectros aleatórios ($M=20$ superposições), definidos por um comprimento de coerência ($l_c$).
• Plataforma Experimental: Uma DONN de quatro camadas foi implementada utilizando uma configuração de modulador espacial de luz (SLM) no espectro da luz visível (comprimento de onda de 660 nm). O sistema utiliza dois SLMs: um para codificação de amplitude/fase de entrada e um segundo para carregamento de fase modulada para atingir ordens não lineares específicas.

Treinamento e Validação

O modelo foi treinado usando a teoria de difração de Rayleigh–Sommerfeld e o método do espectro angular, otimizado via otimizador Adam com perda de entropia cruzada (cross-entropy). A validação foi realizada em:

• Digit MNIST e Fashion MNIST: Para analisar tendências de desempenho através de variados comprimentos de coerência ($l_c$) e ordens não lineares.
• RAF (Real-world Affective Faces) e MedMNIST: Para demonstrar aplicabilidade prática em conjuntos de dados complexos e do mundo real.
• Teste de Robustez: Avaliando o desempenho quando os comprimentos de coerência de teste ($l_{c-test}$) desviam dos comprimentos de coerência de treinamento ($l_{c-train}$).

Principais Contribuições

1. Framework Unificado de HONN: O artigo estabelece um framework geral para inferência óptica de alta ordem que integra pseudo-não linearidade e coerência parcial. Ele postula que a não linearidade física e a pseudo-não linearidade são implementações alternativas de uma forma matemática unificada.
2. Demonstração Experimental: Os autores validaram experimentalmente o modelo HONN no espectro visível, demonstrando que a precisão de classificação melhora com o aumento do comprimento de coerência e da ordem não linear.
3. Robustez Coerente: O estudo revela que a modulação de ordem superior fortalece as respostas não lineares efetivas, compensando a degradação de desempenho causada pela redução da coerência. Isso sugere um compromisso (trade-off) entre o pico de precisão e a robustez contra o descompasso de coerência.
4. Eficiência: O HONN proposto alcança desempenho comparável às redes neurais elétricas tradicionais, enquanto utiliza menos de 10% de sua complexidade computacional.

Resultados

• Tendências de Desempenho: No Digit MNIST, a precisão simulada aumentou de 79,25% para 94,83% (1ª ordem) e de 83,23% para 95,55% (3ª ordem) conforme o comprimento de coerência moveu-se de $8\Delta x$ para totalmente coerente. Os resultados experimentais seguiram tendências semelhantes, atingindo até 90,25% de precisão.
• Datasets do Mundo Real: No conjunto de dados RAF, o HONN parcialmente coerente alcançou 72,68% de precisão, e no MedMNIST, 97,17%. Quando integrado com uma camada de leitura elétrica (híbrido optoeletrônico), a precisão melhorou para 75,86% e 98,39%, respectivamente.
• Comportamento de Escala: Foi observado um forte acoplamento entre a capacidade do modelo e a coerência. Sob baixa coerência, modelos sobreparametrizados sofreram de overfitting e dificuldades de otimização, enquanto a alta coerência facilitou o treinamento de redes de alta capacidade.
• Robustez: Modelos treinados em níveis de coerência mais baixos ($l_{c-train} = 8\Delta x$) mantiveram um desempenho estável através de uma gama mais ampla de condições de coerência de teste em comparação com modelos treinados em alta coerência, que degradaram rapidamente conforme $l_{c-test}$ diminuía.

Significância e Alegações

Os autores alegam que este trabalho preenche uma lacuna de pesquisa ao fornecer um framework unificado para computação neural óptica de alta ordem sob iluminação parcialmente coerente. Eles afirmam que a coerência parcial não é meramente um fator limitante, mas um "grau de liberdade fisicamente significativo" que molda o comportamento de inferência.

A significância do trabalho reside em:

• Implantação Prática: Fornecer uma rota para computação óptica em visão computacional, imagem computacional e sensoriamento sob condições de luz natural (que são inerentemente parcialmente coerentes).
• Generalização: Estabelecer um framework que se estende além dos modelos difrativos tradicionais, potencialmente aplicável a sistemas baseados em metamateriais e dispositivos não lineares de baixo limiar.
• Eficiência: Demonstrar que a inferência óptica pode competir com redes elétricas em precisão, reduzindo drasticamente a complexidade computacional.

O artigo conclui que a coerência, a ordem não linear e a capacidade do modelo devem ser co-projetadas em sistemas ópticos parcialmente coerentes para otimizar o desempenho e a robustez.