清華研發光學AI突破：無需反向傳播的物理神經網路

清華大學研究人員提出了一種全前向模式(FFM)的光學神經網絡訓練方法，可以在物理光學系統中直接執行訓練過程，無需反向傳播算法。該方法具有以下優勢：

1. 減少對數學模型的依賴，避免模型不準確帶來的問題。

2. 節省時間和能耗，可以並行處理大量數據。

3. 在自由空間光學神經網絡上實現有效的自訓練，準確率接近理論值。

4. 在複雜散射環境中也能實現高質量成像，分辨率接近物理極限。

5. 能夠並行成像視線之外的隱藏物體。

FFM的核心原理是將光學系統映射為參數化的現場神經網絡，通過測量輸出光場來計算梯度，並使用梯度下降算法更新參數。它利用空間對稱互易性原理，使數據和誤差計算可以共享相同的前向物理傳播過程和測量方法。

研究人員通過多組實驗驗證了FFM的性能：

1. 在MNIST和Fashion-MNIST數據集上進行分類訓練，FFM學習的網絡準確度接近理論值。

2. 在散射介質中實現高分辨率聚焦，焦點尺寸接近衍射極限。

3. 在非視距場景中實現隱藏物體的並行恢復和成像。

這項研究為光學神經網絡的訓練提供了新思路，有望推動光學計算和成像技術的發展。