无序介质中多功能光学神经网络：高速计算成像与机器学习的新平台

《Laser & Photonics Reviews》：Multi-Functional Optical Neural Network in a Disordered Medium

研究人员提出了一种基于非线性无序介质波前整形(wavefront shaping)的多功能光学神经网络(ONN)，解决了传统光学系统资源密集且缺乏多任务能力的问题。该系统通过空间光调制器(SLM)调控输入场，利用无序介质中的随机散射实现模态互连，结合可分离自然进化策略(SNES)构建自适应训练管道，无需波前传感或传输矩阵测量即可完成光束模式分解、透过散射体图像重建等计算成像任务，并成功应用于图像分类等机器学习领域。

　　

光学神经网络(Optical Neural Network, ONN)巧妙利用光的超高速与并行处理特性进行信息运算。针对现有系统存在的高资源消耗与功能单一性缺陷，这项研究创新性地在非线性无序介质中构建了可重构的波前整形(wavefront shaping)系统。空间光调制器(Spatial Light Modulator, SLM)精确调控输入光场后，无序介质内发生的随机散射(random scattering)现象自然形成了全连接神经网络架构。研究团队开发了基于可分离自然进化策略(Separable Natural Evolution Strategies, SNES)的智能训练算法，使该系统既能作为线性网络运行，也可切换至非线性模式。令人振奋的是，该系统在光束模式分解(beam mode decomposition)和散射介质成像(image reconstruction through diffusers)等计算成像任务中表现出色，且完全规避了复杂的波前传感或传输矩阵测量步骤。更突破性的是，该系统在经典机器学习任务——特别是MNIST手写数字分类中展现出应用潜力。这些突破为发展高速、低耗的多任务光学智能系统提供了全新范式，在医学影像分析、高通量细胞筛查等领域具有重要应用前景。