清华大学研发光学人工智能取得突破：无需反向传播的物理神经网络

清华大学研究人员提出了一种全前向模式(FFM)的光学神经网络训练方法,可以在物理光学系统中直接执行训练过程,无需反向传播算法。该方法具有以下优势:

1. 减少对数学模型的依赖,避免模型不准确带来的问题。

2. 节省时间和能耗,可以并行处理大量数据。

3. 在自由空间光学神经网络上实现有效的自训练,准确率接近理论值。

4. 在复杂散射环境中也能实现高质量成像,分辨率接近物理极限。

5. 能够并行成像视线之外的隐藏物体。

FFM的核心原理是将光学系统映射为参数化的现场神经网络,通过测量输出光场来计算梯度,并使用梯度下降算法更新参数。它利用空间对称互易性原理,使数据和误差计算可以共享相同的前向物理传播过程和测量方法。

研究人员通过多组实验验证了FFM的性能:

1. 在MNIST和Fashion-MNIST数据集上进行分类训练,FFM学习的网络准确度接近理论值。

2. 在散射介质中实现高分辨率聚焦,焦点尺寸接近衍射极限。

3. 在非视距场景中实现隐藏物体的并行恢复和成像。

这项研究为光学神经网络的训练提供了新思路,有望推动光学计算和成像技术的发展。