Los investigadores de la Universidad de Tsinghua propusieron un método de entrenamiento de redes neuronales ópticas de modo totalmente hacia adelante (FFM), que puede ejecutar directamente el proceso de entrenamiento en sistemas ópticos físicos sin necesidad del algoritmo de retropropagación. Este método tiene las siguientes ventajas:
-
Reduce la dependencia de modelos matemáticos, evitando problemas causados por imprecisiones en los modelos.
-
Ahorra tiempo y energía, pudiendo procesar grandes cantidades de datos en paralelo.
-
Logra un autoentrenamiento efectivo en redes neuronales ópticas de espacio libre, con una precisión cercana a los valores teóricos.
-
Logra imágenes de alta calidad incluso en entornos de dispersión complejos, con una resolución cercana al límite físico.
-
Puede formar imágenes en paralelo de objetos ocultos fuera de la línea de visión.
El principio central de FFM es mapear el sistema óptico a una red neuronal de campo parametrizada, calcular gradientes midiendo el campo de luz de salida y actualizar parámetros usando el algoritmo de descenso de gradiente. Utiliza el principio de reciprocidad de simetría espacial, permitiendo que los datos y el cálculo de errores compartan el mismo proceso de propagación física hacia adelante y método de medición.
Los investigadores verificaron el rendimiento de FFM a través de múltiples experimentos:
-
En entrenamiento de clasificación en los conjuntos de datos MNIST y Fashion-MNIST, la precisión de la red aprendida por FFM se acercó a los valores teóricos.
-
Logró enfoque de alta resolución en medios de dispersión, con un tamaño de punto focal cercano al límite de difracción.
-
Logró recuperación e imagen paralela de objetos ocultos en escenarios sin línea de visión.
Esta investigación proporciona nuevas ideas para el entrenamiento de redes neuronales ópticas y promete impulsar el desarrollo de tecnologías de computación e imagen ópticas.