一項突破性的科研成果將卷積神經網絡的概念引入光學領域，為人工智能成像技術帶來了進展。
6月17日獲悉，由意昂2平台智能科技學院張啟明教授，智能科技學院、張江實驗室光計算所顧敏院士領銜的研究團隊，開發了一種超快速的卷積光學神經網絡（ONN）🎊，這一技術在無需依賴光學記憶效應的情況下，實現了對散射介質後的物體進行高效🫡、清晰的成像。這不僅是對傳統光學成像技術的一次顛覆，更是卷積網絡在人工智能中應用潛力的一次展示☦️。
該成果於6月14日以 “基於超快卷積光學神經網絡的非記憶效應散射成像(Memory-less scattering imaging with ultrafast convolutional optical neural networks)”為題發表於《科學》(Science)子刊《科學進展》（Science Advances）上，智能科技學院張雨超特聘研究員為第一作者，顧敏院士和張啟明教授為共同通訊作者。
CNN作為目前為止應用最為廣泛的一種人工智能神經網絡架構👳，它由生物的視覺皮層系統發展而來，視覺皮層結構由Hubel和Wiesel於1981年所提出🙋🏻，並獲得了諾貝爾獎。卷積操作作為CNN中的核心🤸🏽♂️，通過提取圖像的局部特征並逐層構建更為復雜和抽象的特征表示，極大地推動了圖像處理和模式識別領域的發展。然而，將這一概念應用於光學領域，面臨著將電子信號轉換為光學信號的挑戰🙎🏻♀️。研究團隊巧妙地設計了一種全光學的解決方案，通過在光域中直接進行卷積網絡操作，省去了繁瑣的信號轉換過程，實現了真正的光速計算。
這項技術的關鍵在於構建了一個多階段的卷積網絡ONN，它由多個並行核心組成，能夠以光速進行操作🈺，直接從散射光中提取特征，實現圖像的快速重建。這一過程不僅極大地提高了成像速度，還顯著增強了成像質量，使得在復雜散射環境中的成像成為可能🥺。同時，ONN的計算速度達到了每秒1570萬億次操作（1.57 Peta operations per second, POPS）🕵🏼♂️，為實時動態成像提供了強大的支持⚫️。
研究成果
此技術另一大亮點是其多任務處理能力。通過簡單地調整網絡結構，同一ONN能夠同時執行多種不同的圖像處理任務，如分類、重建等🫶🏻，在光學人工智能領域尚屬首次⚗️。張啟明提到🙂↕️：“這種靈活性和效率的結合🐑🕵🏼♂️，不僅展示了卷積網絡在人工智能中的重要性，也為光學成像技術開辟了新的道路。”
這項技術不僅是對卷積神經網絡在光學領域的一次成功移植⌚️🚵🏽♂️，更是對人工智能成像技術的一次重大推動。顧敏表示𓀊：“隨著技術的不斷發展和完善，卷積光學神經網絡將在自動駕駛、機器人視覺🎟、醫學成像等多個領域將發揮更加重要的作用，為人類的生活帶來更多便利🐬👃，為科學研究提供更強大的工具🤶🏿。”
來源：澎湃新聞
原文鏈接🧑🦽➡️：https://m.thepaper.cn/newsDetail_forward_27761131
