(50-1) 07 * << * >> * Русский * English * Содержание * Все выпуски

Дизайн ДОЭ, устойчивого к ошибке позиционирования, для оптической классификации изображений
Д.В. Сошников1,2, Л.Л. Досколович1,2, Г.А. Мотз1,2, Н.В. Головастиков1,2, Е.А. Безус1,2, Д.А. Быков1,2

1Институт систем обработки изображений, НИЦ «Курчатовский институт», 443001, Россия, г. Самара, ул. Молодогвардейская, д. 151;
2Самарский национальный исследовательский университет имени академика С.П. Королёва, 443086, Россия, г. Самара, Московское шоссе, д. 34

  Полный текст (PDF)

DOI: 10.18287/COJ1693

ID статьи: 1693

Аннотация:
Предложен метод расчета дифракционных оптических элементов, устойчивых к ошибке позиционирования, для решения задачи классификации. В рамках метода ошибка решения задачи классификации представляется функционалом, зависящим от фазовой функции рассчитываемого элемента и от случайного вектора, задающего ошибку позиционирования в виде поперечного смещения элемента относительно оптической оси. Далее математическое ожидание этого функционала используется в качестве функционала ошибки в градиентном методе расчета дифракционного оптического элемента, при этом для производных функционала ошибки получены явные выражения. С использованием метода рассчитан дифракционный оптический элемент для классификации изображений рукописных цифр. В рамках численного моделирования показаны хорошие рабочие характеристики рассчитанного элемента (точность классификации более 96 % при значении «контраста», характеризующего величину энергии в области предсказанного класса по сравнению с энергиями в областях других классов, более 13 %) для смещений на 2 пикселя по обеим осям координат, что соответствует сдвигу центра элемента на расстояние до 17 длин волн.

Ключевые слова:
дифракционный оптический элемент, фазовая функция, задача классификации изображений, скалярная теория дифракции, оптимизация, градиентный метод.

Благодарности:
Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации (государственное задание Самарскому университету FSSS-2024-14) в части расчета ДОЭ с учетом ошибки позиционирования и при поддержке Российского научного фонда (проект № 24-19-00080) в части получения производных функционалов ошибки.

Цитирование:
Сошников, Д.В. Дизайн ДОЭ, устойчивого к ошибке позиционирования, для оптической классификации изображений / Д.В. Сошников, Л.Л. Досколович, Г.А. Мотз, Н.В. Головастиков, Е.А. Безус, Д.А. Быков // Компьютерная оптика. - 2026. - Т. 50, № 1. - 1693. - DOI: 10.18287/COJ1693.

Citation:
Soshnikov DV, Doskolovich LL, Motz GA, Golovastikov NV, Bezus EA, Bykov DA. Design of DOE robust to positioning errors for optical classification purposes. Computer Optics 2026 50(1): 1693. DOI: 10.18287/COJ1693.

References:

  1. Shen Y, Harris N, Skirlo S, et al. Deep learning with coherent nanophotonic circuits. Nat Photon 2017; 11: 441-446. DOI: 10.1038/nphoton.2017.93.
  2. Harris NC, Carolan J, Bunandar D, et al. Linear programmable nanophotonic processors. Optica 2018; 5: 1623-1631. DOI: 10.1364/OPTICA.5.001623.
  3. Zhu HH, Zou J, Zhang H, et al. Space-efficient optical computing with an integrated chip diffractive neural network. Nat Commun 2022; 13: 1044. DOI: 10.1038/s41467-022-28702-0.
  4. Zhang H, Gu M, Jiang XD, et al. An optical neural chip for implementing complex-valued neural network. Nat Commun 2021; 12: 457. DOI: 10.1038/s41467-020-20719-7.
  5. Zhang J, Wu B, Cheng J, et al. Compact, efficient, and scalable nanobeam core for photonic matrix-vector multiplication. Optica 2024; 11: 190-196. DOI: 10.1364/OPTICA.506603.
  6. Lin X, Rivenson Y, Yardimci NT, et al. All-optical machine learning using diffractive deep neural networks. Science 2018; 361: 1004-1008. DOI: 10.1126/science.aat8084.
  7. Chang J, Sitzmann V, Dun X, et al. Hybrid optical-electronic convolutional neural networks with optimized diffractive optics for image classification. Sci Rep 2018; 8: 12324. DOI: 10.1038/s41598-018-30619-y.
  8. Yan T, Wu J, Zhou T, et al. Fourier-space Diffractive Deep Neural Network. Phys Rev Lett 2019; 123: 023901. DOI: 10.1103/PhysRevLett.123.023901.
  9. Luo Y, Mengu D, Yardimci NT, et al. Design of task-specific optical systems using broadband diffractive neural networks. Light Sci Appl 2019; 8: 112. DOI: 10.1038/s41377-019-0223-1.
  10. Zhou T, Fang L, Yan T, et al. In situ optical backpropagation training of diffractive optical neural networks. Photon Res 2020; 8: 940-953. DOI: 10.1364/PRJ.389553.
  11. Mengu D, Zhao Y, Yardimci NT, et al. Misalignment resilient diffractive optical networks. Nanophotonics 2020; 9(13): 4207-4219. DOI: 10.1515/nanoph-2020-0291.
  12. Zhou T, Lin X, Wu J, et al. Large-scale neuromorphic optoelectronic computing with a reconfigurable diffractive processing unit. Nat Photonics 2021; 15: 367-373. DOI: 10.1038/s41566-021-00796-w.
  13. Chen H, Feng J, Jiang M, et al. Diffractive Deep Neural Networks at Visible Wavelengths. Engineering 2021; 7(10): 1483-1491. DOI: 10.1016/j.eng.2020.07.032.
  14. Ferdman B, Saguy A, Xiao D, Shechtman Y. Diffractive optical system design by cascaded propagation. Opt Express 2022; 30: 27509-27530. DOI: 10.1364/OE.465230.
  15. Zheng S, Xu S, Fan D. Orthogonality of diffractive deep neural network. Opt Lett 2022; 47: 1798-1801. DOI: 10.1364/OL.449899.
  16. Zheng MJ, Shi L, Zi J. Optimize performance of a diffractive neural network by controlling the Fresnel number. Photon Res 2022; 10: 2667-2676. DOI: 10.1364/PRJ.474535.
  17. Wang T, Ma SY, Wright LG, et al. An optical neural network using less than 1 photon per multiplication. Nat Commun 2022; 13: 123. DOI: 10.1038/s41467-021-27774-8.
  18. Soshnikov DV, Doskolovich LL, Motz GA, et al. Design of Cascaded Diffractive Optical Elements for Optical Beam Shaping and Image Classification Using a Gradient Method. Photonics 2023; 10: 766. DOI: 10.3390/photonics10070766.
  19. Soshnikov DV, Doskolovich LL, Byzov EV. Gradient method for designing cascaded DOEs and its application in the problem of classifying handwritten digits. Computer Optics 2023; 47(5): 691-701. DOI: 10.18287/2412-6179-CO-1314.
  20. Kulce O, Mengu D, Rivenson Y, Ozcan A. All-optical synthesis of an arbitrary linear transformation using diffractive surfaces. Light Sci Appl 2021; 10: 196. DOI: 10.1038/s41377-021-00623-5.
  21. Li J, Gan T, Bai B, et al. Massively parallel universal linear transformations using a wavelength-multiplexed diffractive optical network. Adv Photonics 2023; 5(1): 016003. DOI: 10.1117/1.AP.5.1.016003.
  22. Mengu D, Tabassum A, Jarrahi M, et al. Snapshot multispectral imaging using a diffractive optical network. Light Sci Appl 2023; 12: 86. DOI: 10.1038/s41377-023-01135-0.
  23. Lohmann AW, Paris DP. Binary Fraunhofer Holograms, Generated by Computer. Appl Opt 1967; 6: 1739-1748. DOI: 10.1364/AO.6.001739.
  24. Fienup JR. Phase retrieval algorithms: a comparison. Appl Opt 1982; 21: 2758-2769. DOI: 10.1364/AO.21.002758.
  25. Soifer VA, Kotlyar VV, Doskolovich LL. Iterative methods for diffractive optical elements computation. London: Taylor & Francis; 1997. DOI: 10.1201/9781482272918.
  26. Ripoll O, Kettunen V, Herzig HP. Review of iterative Fourier transform algorithms for beam shaping applications. Opt Eng 2004; 43: 2549-2556. DOI: 10.1117/1.1804543.
  27. Latychevskaia T. Iterative phase retrieval in coherent diffractive imaging: practical issues. Appl Opt 2018; 57: 7187-7197. DOI: 10.1364/AO.57.007187.
  28. Deng X, Chen RT. Design of cascaded diffractive phase elements for three-dimensional multiwavelength optical interconnects. Opt Lett 2000; 25: 1046-1048. DOI: 10.1364/OL.25.001046.
  29. Alkan Gülses A, Jenkins BK. Cascaded diffractive optical elements for improved multiplane image reconstruction. Appl Opt 2013; 52: 3608-3616. DOI: 10.1364/AO.52.003608.
  30. Wang H, Piestun R. Dynamic 2D implementation of 3D diffractive optics. Optica 2018; 5: 1220-1228. DOI: 10.1364/OPTICA.5.001220.
  31. Doskolovich LL, Mingazov AA, Byzov EV, et al. Hybrid design of diffractive optical elements for optical beam shaping. Opt Express 2021; 29: 31875-31890. DOI: 10.1364/OE.439641.
  32. Kingma DP, Ba J. Adam: A method for stochastic optimization. Preprint arXiv:1412.6980, 2015.
  33. Robert CP, Casella G. Monte Carlo Statistical Methods. 2nd ed. Berlin: Springer; 2004.
  34. Schmidt JD. Numerical Simulation of Optical Wave Propagation with Examples in MATLAB. Bellingham: SPIE; 2010.
  35. Cubillos M, Jimenez E. Numerical simulation of optical propagation using sinc approximation. J Opt Soc Am A 2022; 39: 1403-1413. DOI: 10.1364/JOSAA.461355.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20