衍射深度神经网络，特别是加州大学洛杉矶分校团队开发的金字塔结构光学网络，标志着光学技术取得了重大飞跃。

这种金字塔设计优化了特定方向上的图像保真度和放大倍数，同时抑制了相反方向的图像。太赫兹照明测试证明，这些网络在放大和缩小图像方面具有很高的精度，为电信、隐私和国防领域的应用开辟了道路。

加州大学洛杉矶分校的研究人员推出了一种衍射深度神经网络（D²NN）的创新设计。这种新的架构被称为金字塔D²NN（P-D²NN），实现了图像的单向放大和缩小，显著减少了所需的衍射特征数量。这些结果在光通信、监视和光子器件隔离等领域具有广泛的应用。

衍射深度神经网络

衍射深度神经网络（D2NNs）是一种光学系统，它由一系列通过深度学习优化的透射层组成，能够以全光方式执行计算任务。

加州大学洛杉矶分校(UCLA)一个由艾多甘·奥兹坎(Aydogan Ozcan)教授领导的研究团队开发出了一种金字塔结构的衍射光学网络，该网络将层级金字塔化以与图像放大或缩小的方向对齐。这种设计确保了在一个方向上能够形成高保真图像，同时抑制了相反方向上的图像形成，实现了具有较少衍射自由度的单向成像。研究人员还证明，通过级联多个P-D2NN模块，可以实现更高的放大倍数，从而展示了该系统的模块化和可扩展性。

单向成像的进步

通过太赫兹（THz）照明实验验证了P-D2NN架构。通过3D打印制造的衍射层在连续波太赫兹照明下进行了测试。实验结果涉及不同的放大和缩小设计，与数值模拟结果非常吻合。前向输出准确地反映了放大或缩小的输入图像，而后向输出产生了低强度、非信息性的结果，符合单向成像的要求。

应用及未来前景

P-D2NN框架能够在抑制反向能量传输的同时将原始信号在输出端分散成不可察觉的噪声，使其成为各种应用的有前途的工具。这些应用包括光子设备的光学隔离、电信中发射机和接收机的解耦、受保护的光通信以及监控。

此外，该系统还具有偏振不敏感性和能够在保护源免受反击的同时将大功率结构光束传递到目标对象上的能力，突出了其在各种与防御相关的应用中的潜力。

参考：Bijie Bai、Xilin Yang、Tianyi Gan、Jingxi Li、Deniz Mengu、Mona Jarrahi和Aydogan Ozcan于2024年7月31日在《光：科学与应用》上发表的“用于单向图像放大和缩小的金字塔衍射光学网络”。DOI：10.1038/s41377-024-01543-w。

本文作者包括加州大学洛杉矶分校电气与计算机工程系的白必杰、杨西林、甘天翼、李婧曦、丹尼斯·门古、莫娜·贾拉希和艾多甘·奥兹坎。奥兹坎教授还担任加州纳米系统研究所 (CNSI) 的副主任。

这项研究得到了美国海军研究办公室（ONR）的支持。