ترجمه فارسی مقاله آگاهی انسجام در شبکه های عصبی پراش

چکیده

Diffractive neural networks hold great promise for applications requiring intensive computational processing. Considerable attention has focused on diffractive networks for either spatially coherent or spatially incoherent illumination. Here we illustrate that, as opposed to imaging systems, in diffractive networks the degree of spatial coherence has a dramatic effect. In particular, we show that when the spatial coherence length on the object is comparable to the minimal feature size preserved by the optical system, neither the incoherent nor the coherent extremes serve as acceptable approximations. Importantly, this situation is inherent to many settings involving active illumination, including reflected light microscopy, autonomous vehicles and smartphones. Following this observation, we propose a general framework for training diffractive networks for any specified degree of spatial and temporal coherence, supporting all types of linear and nonlinear layers. Using our method, we numerically optimize networks for image classification, and thoroughly investigate their performance dependence on the illumination coherence properties. We further introduce the concept of coherence-blind networks, which have enhanced resilience to changes in illumination conditions. Our findings serve as a steppingstone toward adopting all-optical neural networks in real-world applications, leveraging nothing but natural light.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی پراکنده وعده های بزرگی را برای برنامه های نیاز به پردازش محاسباتی فشرده دارند.توجه قابل توجهی به شبکه های پراکنده برای روشنایی مکانی منسجم یا مکانی ناسازگار متمرکز شده است.در اینجا ما نشان می دهیم که ، بر خلاف سیستم های تصویربرداری ، در شبکه های پراکنده میزان انسجام مکانی اثر چشمگیری دارد.به طور خاص ، ما نشان می دهیم که وقتی طول انسجام مکانی روی جسم قابل مقایسه با حداقل اندازه ویژگی است که توسط سیستم نوری حفظ می شود ، نه افراطی و نه منسجم به عنوان تقریبی قابل قبول عمل می کنند.نکته مهم این است که این وضعیت ذاتی بسیاری از تنظیمات مربوط به روشنایی فعال است ، از جمله میکروسکوپ نور منعکس شده ، وسایل نقلیه خودمختار و تلفن های هوشمند.به دنبال این مشاهده ، ما یک چارچوب کلی برای آموزش شبکه های پراکنده برای هر درجه مشخص از انسجام مکانی و زمانی ، پشتیبانی از انواع لایه های خطی و غیرخطی را پیشنهاد می کنیم.با استفاده از روش ما ، ما شبکه ها را برای طبقه بندی تصویر به صورت عددی بهینه می کنیم و وابستگی عملکرد آنها را به خصوصیات انسجام روشنایی بررسی می کنیم.ما همچنین مفهوم شبکه های کور انسجام را معرفی می کنیم ، که باعث افزایش مقاومت در برابر تغییر در شرایط روشنایی شده اند.یافته های ما به عنوان سنگ پله ای برای اتخاذ شبکه های عصبی همه نوری در کاربردهای دنیای واقعی عمل می کند و چیزی جز نور طبیعی ندارد.