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

Resumo Técnico: Comparação de Objetivos de Treinamento de Robustez Espectral em Redes Difrativas de Duplo Comprimento de Onda com Consistência Física

Definição do Problema
Redes neurais profundas difrativas (D2NNs) oferecem vantagens potenciais na propagação de ondas em paralelo e na inferência óptica de baixa latência. No entanto, sua robustez física é contingente a diversos fatores, incluindo dependência de comprimento de onda, amostragem de propagação, dispersão de material e alinhamento de camadas. Embora estratégias de aprendizado robustas, como otimização de pior caso e treinamento de risco médio, sejam estabelecidas no aprendizado de máquina geral, permanece incerto se o treinamento espectral de pior caso por amostra proporciona uma vantagem de desempenho reproduzível sobre o treinamento de múltiplos deslocamentos médio em arquiteturas difrativas de duplo comprimento de onda fisicamente acopladas. Especificamente, o estudo questiona se objetivos de pior caso geram robustez superior quando a arquitetura, os modelos físicos, os orçamentos de otimização e a amostragem de propagação são estritamente controlados.

Metodologia
O estudo conduziu uma comparação numérica controlada utilizando uma arquitetura D2NN diferencial de duplo comprimento de onda. O sistema utilizou um perfil de espessura física limitada compartilhada (sílica fundida), onde a fase dependente do comprimento de onda foi determinada pela dispersão de Malitson Sellmeier, em vez de máscaras treináveis independentes. A avaliação focou em dois objetivos principais:

1. Treinamento de pior caso por amostra: Minimizar a perda máxima através de um conjunto de deslocamentos de comprimento de onda para cada amostra.
2. Treinamento de múltiplos deslocamentos médio: Minimizar a média da entropia cruzada através do mesmo conjunto de deslocamentos.

O design experimental incluiu três fases distintas para garantir uma comparação rigorosa:

• Benchmark Abrangente: Oito configurações treinadas em uma grade de propagação de 64 × 64 e reavaliadas em uma grade de 128 × 128 usando parâmetros de dispositivo congelados.
• Otimização Direta de Alta Resolução: Dez execuções de treinamento independentes pareadas para cada objetivo, inicializadas aleatoriamente e treinadas de ponta a ponta diretamente em uma grade de 128 × 128 (passo de 4 µm).
• Análise de Domínio Físico Prescrito: Um estudo de confirmação abrangendo variações em espaçamento de camadas (2–20 mm), espessura de relevo máxima (1,0–2,0 µm) e intervalos de deriva de treinamento (±10 a ±40 nm).

As unidades estatísticas foram definidas como execuções de treinamento independentes completas (sementes 42–51), não imagens de teste individuais. O desempenho foi medido usando a Área Sob a Curva (AUC) do Score de Robustez de Comprimento de Onda Balanceado (Balanced-WRS). A métrica primária foi a diferença pareada (pior caso menos perda média) com intervalos de confiança de bootstrap de 95% e valores de p de sinal de inversão exatos de dois lados.

Principais Resultados
O estudo não encontrou vantagem estatisticamente confiável para o treinamento de pior caso por amostra sobre o treinamento de múltiplos deslocamentos médio sob as condições testadas:

• Benchmark Abrangente (treinamento em grade 64 / reavaliação congelada em grade 128): A diferença pareada no Balanced-WRS AUC foi de +0,375 pontos percentuais (95% CI: −0,546 a 1,279; p = 0,4648).
• Treinamento Direto em Grade 128: A estimativa pontual inverteu o sinal, mostrando uma diferença de −0,537 pontos percentuais (95% CI: −2,080 a 1,143; p = 0,5469).
• Confirmação de ±20 nm Prescrita: A diferença foi de −0,557 pontos percentuais (95% CI: −2,131 a 0,833; p = 0,4980).

Em todas as comparações confirmatórias, os intervalos de confiança cruzaram o zero, indicando que nenhum dos objetivos demonstrou uma vantagem de pior caso superior. Além disso, a mudança de sinal entre o reamostragem de dispositivo congelado e a otimização direta de alta resolução sugere que os protocolos de avaliação influenciam significativamente os resultados observados.

Análises adicionais de fronteira de falha revelaram:

• Robustez Geométrica: O deslocamento independente por camada (mesmo em 1 pixel de propagação) reduziu o desempenho para níveis próximos ao acaso (aprox. 25% para uma tarefa de 4 classes), indicando que a robustez espectral não implica robustez de alinhamento geométrico.
• Corrupção de Entrada: O treinamento com aumento de corrupção produziu apenas pequenas mudanças dependentes da corrupção, falhando em estabelecer uma robustez conjunta de entrada e espectro.
• Linha de Base de Desempenho: Os modelos ópticos atingiram aproximadamente 27–29% de acurácia balanceada, substancialmente inferior a uma CNN eletrônica compacta (75,03%) na mesma tarefa, destacando as limitações atuais do modelo óptico de baixa capacidade.

Significância e Alegações
O artigo posiciona-se explicitamente como um "resultado negativo" e uma contribuição metodológica, em vez de uma demonstração de uma nova teoria universal ou validação de hardware. Suas principais alegações são:

1. Ausência de Superioridade Estabelecida: Sob o modelo físico específico, a tarefa OCTMNIST e o orçamento de otimização utilizados, o treinamento de pior caso por amostra não proporciona um benefício reproduzível sobre o treinamento de múltiplos deslocamentos médio.
2. Sensibilidade do Protocolo: A reversão dos sinais de efeito entre a reamostragem de baixa resolução e a otimização direta de alta resolução demonstra que a avaliação de dispositivo congelado não pode substituir o treinamento direto de alta resolução.
3. Rigor Metodológico: O estudo defende um fluxo de trabalho de avaliação mais estrito para o treinamento de robustez espectral, enfatizando a distinção entre reamostragem de dispositivo congelado e otimização direta, o uso de execuções independentes completas como unidades estatísticas e o relato de efeitos pareados com incerteza.
4. Limitações de Escopo: Os resultados estão confinados a simulações de espectro angular escalar sem dispositivos fabricados, espectros de fonte medidos ou efeitos de polarização. O estudo não reivindica viabilidade clínica ou de sistemas implantáveis, observando que o desempenho óptico atual é insuficiente para tais aplicações.

Em resumo, o trabalho fornece uma comparação numérica consciente da incerteza que desafia a suposição de superioridade inerente do treinamento de pior caso espectral em D2NNs de duplo comprimento de onda e destaca a importância crítica dos protocolos de avaliação na pesquisa de redes neurais físicas.