Взгляд сквозь стену — прорыв в области оптических вычислений

14.10.2024

Исследователи открыли метод декодирования информации, "перемешанной" при прохождении света через рассеивающую среду, такую ​​как матовое стекло, с потенциальными применениями в оптических вычислениях и машинном обучении.

Ранее считалось невозможным видеть сквозь рассеивающую среду, например, матовое стекло. Но недавний научный прорыв от группы профессора Чоя Воншика из IBS (IBS CMSD) представил новый метод использования этого явления в оптических вычислениях и машинном обучении.

Исследования с рассеивающими средами проводились ранее с использованием оптических операторов и матриц линейного рассеяния. Группа профессора Чоя также интересовалась этой темой и представила работу с аппаратной и программной адаптивной оптикой для визуализации тканей. Они создавали микроскопы, которые могут видеть сквозь рассеивающие среды, такие как черепа мышей, и делать глубокие трехмерные изображения тканей.

Однако столкнулись с вызовами, когда рассматривались нелинейные среды, так как их уже нельзя было представить линейными матрицами из-за принципа суперпозиции. Но команда ученых совершила прорыв, обнаружив, что оптические характеристики нелинейной рассеивающей среды могут быть представлены тензором третьего порядка, а не матрицей.

Тензор третьего порядка — это математический объект, представляющий отношения между тремя наборами данных. В данном случае, это трехмерный массив чисел. Это обобщение скаляров, векторов и матриц, которое используется в различных областях математики и физики.

Исследователи продемонстрировали использование тензора третьего порядка для оптического шифрования и создания полностью оптических логических элементов И. Этот подход предлагает потенциальные преимущества в области оптических вычислений и машинного обучения.

Ожидается, что эти открытия откроют новые возможности для развития оптических вычислений и машинного обучения. Исследователи также планируют интегрировать свои исследования в область полностью оптического машинного обучения, чтобы повысить производительность моделей и создать более эффективные системы.

Теги: