长春光机所提出傅里叶叠层恢复算法 我要分享 文章全球首个全光学多层神经网络问世 我要分享 文章来源:中国科学报 唐凤 发布时间:2019-09-19 【字号:小 中 大 】   近日,香港科技大学科研人员研发出全球首个可用作深度机器学习的全光学神经网络,不但能让人工智能在处理辨识事物之间的关系或风险评估等较复杂的问题上,进一步接近人类,还可以在能耗大幅度降低的情况下,以光速进行运算。研究结果近日刊登于《光学》。   人工智能要掌握深度学习技巧,需具有非线性启动函数的多层神经网络。然而,在现存的光电混合神经网络中,模拟人类大脑响应方式的非线性启动函数主要是透过电实现的,这限制了光学网络的指令周期及能力。   现在,由香港科技大学物理学系教授杜胜望及助理教授刘军伟带领的团队,研发了首个全光学多层神经网络,向构建大规模光学神经网络迈进了一步。   为突破限制,研究团队利用冷原子介质内只需极低激光功率便能运作的电磁波引发透明效应实现了非线性启用函式,并制作了一个双层全光学的神经网络。为测试成效,研究人员利用该网络,对凝聚态物理学易辛模型中的有序相和无序相进行了分类,发现与高性能电脑神经网络运算的结果一样准确。   杜胜望表示:“虽然该成果只是一个概念验证的测试,但它表明新一代光学人工智能,即在低能耗情况下进行快速运算是有可能的。”   未来,研究人员希望扩大此技术的规模,构建一个更大型、更复杂的全光学神经网络,用于图像识别等实际应用。来源:长春光学精密机械与物理研究所 发布时间:2019-09-18 【字号:小 中 大 】   傅里叶叠层成像(FPM)是近年提出的一个可以获得大视场、高分辨率图像的测量方法。FPM的装置类似光学显微镜,只是将光源替换成一个LED阵列,通过按特定顺序点亮单个LED照明时在相机端获得一系列低分辨率(LR)图像,由于不同低分辨率图对应着样本频谱中的特定子区域,故可以通过优化算法在频域中将低分辨率图片的信息进行融合,获得超出系统物镜极限分辨率并保留其原有视场的高分辨率振幅和相位图片。   用于FPM的传统算法(如GS、AS)通常将系统的传递函数默认成相干传递函数(CTF),即认为系统的成像过程为相干成像。然而由于LED光源的部分相干性以及系统中的像差使得简单的采用CTF作为传递函数将影响算法的收敛性和鲁棒性,导致其出现收敛错误,使重建高分辨率图片的质量偏低,这种错误在像差较大的边缘视场处尤为明显。   为了解决该问题,中国科学院长春光学精密机械与物理研究所应用光学国家重点实验室液晶光学课题组提出了基于神经网络结构的恢复算法(FINN-P),并将光瞳函数的恢复过程嵌入其中。该算法可以正确地恢复出系统的光瞳函数并以此对高分辨率图进行重建,提升了算法的鲁棒性,降低了光源的相干性以及系统像差对重建结果带来的影响,并成功地解决了传统算法在视场边缘处会出现收敛错误的问题。对分辨率板和实际生物样本图片使用该算法处理后,图像质量有了明显提高。课题组孙铭璐、李大禹、穆全全等将相关结果以Neural network model combined with pupil recovery for Fourier ptychographic microscopy 为题发表在Opt. Express(2019年, 27卷, 17期, 24161-24174)上。