ការ​ថត​រូប​ដែល​គ្មាន​ការ​ចងចាំ​ដោយ​ផ្អែក​លើ​បណ្តាញ​សរសៃប្រសាទ​ដែល​មាន​ល្បឿន​លឿន​បំផុត។

Spatial light modulator គឺជាប្រភេទនៃធាតុផ្សំថាមវន្ត ដែលអាចកែប្រែទំហំ ដំណាក់កាល និង polarization នៃពន្លឺឧបទ្ទវហេតុក្នុងពេលវេលាជាក់ស្តែង ក្រោមការគ្រប់គ្រងនៃសញ្ញាខាងក្រៅ។ កម្មវិធីនៃម៉ូឌុលពន្លឺ spatial នៅក្នុងវាលនៃ ការបំប្លែងរូបភាព មិនត្រឹមតែអាចប្រើដើម្បីបង្កើតវាលពន្លឺ pseudo-thermal light ជំនួសឱ្យកញ្ចក់ដីបែបប្រពៃណីប៉ុណ្ណោះទេ ប៉ុន្តែក៏អាចប្រើជាវត្ថុគោលដៅសម្រាប់ការស្រាវជ្រាវរូបភាពដែលខ្ចាត់ខ្ចាយផងដែរ។ ការអនុវត្តនៃម៉ូឌុលពន្លឺតាមលំហអាចដឹងពីគំនិតផ្តួចផ្តើម និងភាពបត់បែនក្នុងបទប្បញ្ញត្តិនៃវាលពន្លឺដែលខ្ចាត់ខ្ចាយ។

ព័ត៌មាននិក្ខេបបទ៖

ឥទ្ធិពលនៃអង្គចងចាំអុបទិកគឺជាមូលដ្ឋានសំខាន់សម្រាប់វិធីសាស្ត្រថតរូបភាពម៉ាក្រូស្កូប និងមីក្រូទស្សន៍នៅក្នុងប្រព័ន្ធផ្សព្វផ្សាយដែលស្មុគ្រស្មាញ រួមទាំងជាលិកាពពក និងស្រទាប់តូចៗ។ ទោះជាយ៉ាងណាក៏ដោយ ការបង្កើតរូបភាពឡើងវិញនៅក្នុងប្រព័ន្ធផ្សព្វផ្សាយដែលបែកខ្ចាត់ខ្ចាយខ្លាំងដោយគ្មានឥទ្ធិពលអង្គចងចាំអុបទិកមិនទទួលបានជោគជ័យទេ។ ដល់ទីបញ្ចប់នេះ យើងបង្ហាញពីសមត្ថភាពក្នុងការបង្កើតរូបភាពឡើងវិញនៅក្នុងស្រទាប់ខ្ចាត់ខ្ចាយដោយគ្មានឥទ្ធិពលអង្គចងចាំអុបទិក ដោយបង្កើតបណ្តាញសរសៃប្រសាទអុបទិកពហុដំណាក់កាល (ONN) ដែលរួមបញ្ចូលស្នូលប៉ារ៉ាឡែលជាច្រើនដែលដំណើរការក្នុងល្បឿនពន្លឺ។ ដោយផ្អែកលើ Fourier optics, ប៉ារ៉ាឡែល, ការបណ្តុះបណ្តាល ONN មួយជំហានម្តង, លក្ខណៈពិសេសត្រូវបានស្រង់ចេញដោយផ្ទាល់ដើម្បីសម្រេចបាននូវការបង្កើតរូបភាពឡើងវិញដោយគ្មានការចងចាំ និង វាលនៃទិដ្ឋភាព ត្រូវបានពង្រីករហូតដល់ 271 ដង។ ឧបករណ៍នេះអាចត្រូវបានកំណត់រចនាសម្ព័ន្ធឡើងវិញដោយថាមវន្តសម្រាប់ការបង្កើតរូបភាពពហុកិច្ចការដែលមានល្បឿនលឿនបំផុតជាមួយនឹងថាមពលកុំព្យូទ័រនៃប្រតិបត្តិការ 1.57peta ក្នុងមួយវិនាទី (POPS) ដោយជោគជ័យក្នុងការបង្កើតវេទិកាសិក្សាម៉ាស៊ីនអុបទិកលឿនបំផុត និងមានប្រសិទ្ធភាពសម្រាប់ដំណើរការក្រាហ្វិក។

ខាងក្រោមនេះជាផ្នែកនៃដំណើរការពិសោធន៍ និងលទ្ធផល៖
ការរៀបចំការពិសោធន៍នៃ ONN convolutional ត្រូវបានបង្ហាញក្នុងរូបភាពទី 1 ។ នៅក្នុងការពិសោធន៍ ម៉ូឌុលអាំងតង់ស៊ីតេឆ្លុះបញ្ចាំង SLM0 (FSLM-HD70-A/P ទំហំភីកសែល 8μm, 1920×1080) ត្រូវបានប្រើដើម្បីបង្កើតការបញ្ចូលកម្រិតភីកសែលដែលអាចសរសេរកម្មវិធីបាននៃ ONN convolutional ។ វាលពន្លឺដែលបានកែប្រែដោយ SLM0 បន្ទាប់មកត្រូវបានបញ្ជូនតាមរយៈប្រព័ន្ធ 4f ទៅកាន់យន្តហោះបញ្ចូលនៃ convolution ONN ។ ប្រព័ន្ធ 4f មានកញ្ចក់ពីរជាមួយ ប្រវែងប្រសព្វs នៃ 100 mm (L1) និង 50 mm (L2) ដើម្បីផ្តល់ការពង្រីក 0.5x សម្រាប់វត្ថុដែលបានអ៊ិនកូដជា SLM0 ។ បន្ទាប់មកយន្តហោះបញ្ចូលត្រូវបានបញ្ជូនទៅ ONN បីស្រទាប់សម្រាប់ដំណើរការបន្ថែមទៀត។ convolution ONN មាន SLMs modulator បីដំណាក់កាល (ម៉ូដែលរបស់យើង FSLM-4K70-P02) ។ ដំណាក់កាល SLMs មាន 4094 × 2400 ភីកសែល និងទំហំភីកសែលគឺ 3.74μm × 3.74μm ។ ស្រទាប់ convolution ទីមួយត្រូវបានអ៊ិនកូដជា SLM1 ហើយចម្ងាយរវាងយន្តហោះបញ្ចូល និង SLM1 គឺ 10cm។ បន្ទាប់ពីត្រូវបានកែប្រែដោយ SLM1 ធ្នឹមត្រូវបានបញ្ជូនទៅ SLM2 ដោយការឆ្លុះបញ្ចាំងពីឧបករណ៍បំបែកធ្នឹម BS2 និង BS3 ។ ស្រទាប់ convolution ទីពីរត្រូវបានអ៊ិនកូដជា SLM2 ហើយ SLM1 និង SLM2 គឺ 20cm ។ បន្ទាប់មក ធ្នឹមដែលបានកែប្រែដោយ SLM2 ត្រូវបានបញ្ជូនទៅ SLM3 ។ ស្រទាប់ទីបីដែលភ្ជាប់យ៉ាងពេញលេញត្រូវបានបញ្ចូលទៅក្នុង SLM3 ដែលមានចម្ងាយ 10 សង់ទីម៉ែត្ររវាង SLM2 និង SLM3 ។ ធ្នឹមដែលបានកែប្រែដោយ SLM3 ត្រូវបានផ្សព្វផ្សាយទៅយន្តហោះទិន្នផលនៃ convolution ONN ដោយការឆ្លុះបញ្ចាំងពីឧបករណ៍បំបែកធ្នឹម BS4 ដែលមានចម្ងាយ 20cm រវាង SLM3 និងយន្តហោះទិន្នផល។ កាមេរ៉ាទិញយក (ទំហំភីកសែល 4.8μm, 1280 × 1024) ត្រូវបានដាក់នៅលើយន្តហោះទិន្នផលរបស់ ONN ដើម្បីកត់ត្រាលទ្ធផលសន្និដ្ឋាន។ វាជាការសំខាន់ក្នុងការកត់សម្គាល់ថាការតម្រឹមមិនត្រឹមត្រូវរវាងស្រទាប់ផ្សេងគ្នានៃ convolution ONN អាចធ្វើឱ្យខូចមុខងាររបស់វាយ៉ាងខ្លាំង។

រូបភព។ 1 ដ្យាក្រាមគំនូសតាងនៃការរៀបចំពិសោធន៍នៃបណ្តាញ convolutional បីស្រទាប់ ONN ។ (ក) បង្រួបបង្រួមប៉ារ៉ាម៉ែត្រ និងកូអរដោនេនៃស្រទាប់នីមួយៗនៃ ONN ។ (ខ) ឧបករណ៍ពិសោធន៍សម្រាប់ convolution ONN ។ ម, កញ្ចក់; POL, បន្ទាត់រាងប៉ូល; BS, ឧបករណ៍បំបែកធ្នឹម; L, កញ្ចក់; SLM, ម៉ូឌុលពន្លឺលំហ។

រូបភព។ 2 យន្តការ​នៃ​ការ​បង្កើត​រូបភាព​ដែល​គ្មាន​ការ​ចងចាំ​ឡើង​វិញ​តាម​រយៈ​ការ​ខ្ចាត់ខ្ចាយ​ស្រទាប់​ជង់។ (ក) ដ្យាក្រាមខ្ចាត់ខ្ចាយ តាមរយៈការខ្ចាត់ខ្ចាយច្រើន។ អ្នកបែកខ្ចាត់ខ្ចាយនីមួយៗអាចត្រូវបានយកគំរូតាមជាស្រទាប់ខ្ចាត់ខ្ចាយស្តើង ដោយ N តំណាងឱ្យចំនួនអ្នកខ្ចាត់ខ្ចាយ និង ឃ តំណាងឱ្យគម្លាតរវាងអ្នកខ្ចាត់ខ្ចាយ។ (ខ) គំរូនៃស្នាមប្រេះដែលផលិតនៅក្រោមលក្ខខណ្ឌនៃការខ្ចាត់ខ្ចាយខុសៗគ្នា។ រូប​ខាង​ឆ្វេង​ប្រៀបធៀប​ចំណុច​ដែល​មាន​ឥទ្ធិពល​អង្គចងចាំ​អុបទិក (N=1, d=0) និង​ចំណុច​ដែល​គ្មាន​ឥទ្ធិពល​អង្គចងចាំ​អុបទិក (N> 1, d> 0)។ រូបនៅខាងស្តាំបង្ហាញពីខ្សែកោងទំនាក់ទំនងជ្រុងនៅក្នុងករណីនីមួយៗ ដោយបន្ទាត់និម្មិតតំណាងឱ្យខ្សែកោងទំនាក់ទំនងជ្រុងសម្រាប់ស្រទាប់កញ្ចក់រាបស្មើមួយ។ កម្ពស់ និងទទឹងពាក់កណ្តាលនៃខ្សែកោងទាំងនេះកំណត់វាលនៃទិដ្ឋភាពនៃរូបភាព។ (គ) គំនិតនៃការបង្កើតរូបភាពដែលគ្មានការចងចាំឡើងវិញនៅក្នុង ONN បីស្រទាប់។

រូបភព។ 3 គោលការណ៍នៃបណ្តាញសរសៃប្រសាទអុបទិក។ (ក) ONN បីស្រទាប់មានស្រទាប់អុបទិកពីរ និងស្រទាប់អុបទិកដែលតភ្ជាប់យ៉ាងពេញលេញមួយ។ (ខ) រចនាសម្ព័ន្ធនៃស្រទាប់ convolution ទីមួយមានស្នូល ៩ ប្រភេទផ្សេងគ្នា។ ស្នូលនីមួយៗមានរចនាសម្ព័ន្ធបីគឺ ដំណាក់កាល vortex ដំណាក់កាលចៃដន្យ និងដំណាក់កាល grating ។ (គ) រចនាសម្ព័ន្ធដំណាក់កាលនៃស្រទាប់ convolution ទីពីរត្រូវបានបែងចែកជា 3 × 3 តំបន់។ ដំណាក់កាលនៃតំបន់នីមួយៗត្រូវបានសាងសង់ដោយដំណើរការដូចគ្នានឹងស្រទាប់ convolution ទីមួយដែលបណ្តាលឱ្យមាន 81 nuclei ។ (D) ការអនុវត្ត ONN Convolutional ដែលត្រូវបានបណ្តុះបណ្តាលក្នុងកិច្ចការចាត់ថ្នាក់ការសន្និដ្ឋានដោយផ្អែកលើសំណុំទិន្នន័យ MNIST និង FashionMNIST ។ រូបខាងលើបង្ហាញពីខ្សែកោងនៃការរៀនសូត្រនៅក្នុងករណីនីមួយៗ។ តួរលេខខាងក្រោមបង្ហាញពីលទ្ធផលនៃការចាត់ថ្នាក់ពិសោធន៍នៅលើយន្តហោះទិន្នផល ONN រួមជាមួយនឹងការ៉េដែលមានសញ្ញាក្រហមតំណាងឱ្យតំបន់ឧបករណ៍ចាប់ដែលត្រូវបានបណ្តុះបណ្តាលដោយលេខដែលត្រូវគ្នា។

រូបភព។ 4 ការផ្ទៀងផ្ទាត់ការសាកល្បងនៃការបង្កើតរូបភាពដែលមិនមានអង្គចងចាំឡើងវិញ។ (ក) លទ្ធផលពិសោធន៍នៃការកសាងឡើងវិញនៃការហ្វឹកហាត់ ONN ដែលមានស្រទាប់ខ្ចាត់ខ្ចាយពីរ (N = 2) ។ បន្ទាត់ទីមួយបង្ហាញពីរូបភាពជាក់ស្តែងនៃវត្ថុ ហើយបន្ទាត់ទីពីរដល់ទី 4 ត្រូវគ្នាទៅនឹងលទ្ធផលនៃការកសាងឡើងវិញនៃ d = 3 cm, d = 4 cm, និង d = 5 cm រៀងគ្នា។ (ខ) លទ្ធផលពិសោធន៍នៃការកសាងឡើងវិញនៃ ONNs ដែលត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងស្រទាប់ខ្ចាត់ខ្ចាយជាច្រើន (N> 2) ។ ជួរទីមួយដល់ទីបួនត្រូវគ្នាទៅនឹងករណីដែល N = 2, 3, 4 និង 5 រៀងគ្នា។ (គ) ឥទ្ធិពលនៃដំណាក់កាល vortex នៅលើ convolution ONN ត្រូវបានបង្ហាញ។ តួលេខនៅខាងស្តាំប្រៀបធៀបខ្សែកោងខឺណែល convolution ជាមួយនិងគ្មានដំណាក់កាល vortex ក្នុងការខ្ចាត់ខ្ចាយ d = 5 cm និងលទ្ធផលនៃការបង្កើតឡើងវិញ។ រូបនៅខាងឆ្វេងបង្ហាញថារចនាសម្ព័ន្ធដំណាក់កាល vortex ផ្សេងគ្នាអាចត្រូវបានប្រើដើម្បីទាញយកព័ត៌មានគែមទិសដៅផ្សេងគ្នានៃវត្ថុបញ្ចូល។

រូបភាពទី 5 បង្ហាញពីដំណើរការថាមវន្ត និងកិច្ចការច្រើននៃ ONNs ដែលអាចហ្វឹកហាត់បាន។ (ក) ដំណើរ​ការ​សន្និដ្ឋាន​ថាមវន្ត (S1 និង S2) សម្រាប់​ការ​បង្កើត​រូបភាព​ដែល​គ្មាន​ការ​ចងចាំ​ឡើង​វិញ​ដោយ​ប្រើ ONN convolutional។ លំនាំកន្លែងបញ្ចូលត្រូវបានផ្ទុកនៅលើ 60Hz SLM ។ (ខ) ក្របខ័ណ្ឌ ONN convolutional នៃកិច្ចការពីរត្រូវបានបង្ហាញនៅក្នុង S3 សម្រាប់ការសន្និដ្ឋានពហុមុខងារវីដេអូ ដើម្បីសម្រេចបាននូវការបង្កើតរូបភាពឡើងវិញដោយគ្មានអង្គចងចាំ។ គ្រោងនៃស្រទាប់ទីបីនៃ raster ដែលបានតភ្ជាប់យ៉ាងពេញលេញត្រូវបានបង្ហាញនៅក្នុងរូបភាព S17 ។

ប៉ារ៉ាម៉ែត្រនៃម៉ូឌុលពន្លឺ spatial-type amplitude ដែលប្រើក្នុងការពិសោធន៍នេះមានដូចខាងក្រោម៖

ប៉ារ៉ាម៉ែត្រនៃម៉ូឌុលពន្លឺ spatial ប្រភេទដំណាក់កាលដែលប្រើក្នុងការពិសោធន៍នេះមានដូចខាងក្រោម៖

សរសេរនៅចុងបញ្ចប់៖
នៅក្នុងវិស័យរូបភាពតាមការគណនា បណ្តាញសរសៃប្រសាទអុបទិកត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយដើម្បីដោះស្រាយបញ្ហាក្នុងការថតរូបភាពខ្មោច ការថតរូបឌីជីថល មីក្រូទស្សន៍ Fourier lamination និងវិស័យផ្សេងៗទៀត។ ទន្ទឹមនឹងនេះ សមត្ថភាពសមតាមទិន្នន័យដ៏មានអានុភាព និងសមត្ថភាពដំណោះស្រាយការបង្កើនប្រសិទ្ធភាពនៃការរៀនស៊ីជម្រៅក៏ដើរតួនាទីយ៉ាងធំនៅក្នុងវិស័យរូបភាពដែលខ្ចាត់ខ្ចាយ។ ជាមួយនឹងម៉ូឌុលដ៏ល្អ និងការគ្រប់គ្រងយ៉ាងច្បាស់លាស់នៃម៉ូឌុលពន្លឺតាមលំហ ការរួមបញ្ចូលគ្នានៃម៉ូឌុលពន្លឺតាមលំហ និងបណ្តាញសរសៃប្រសាទអុបទិកនឹងបង្កើតបានជាផ្កាភ្លើងកាន់តែច្រើន។

ព័ត៌មានអត្ថបទ៖
DOI: 10.1126/sciadv.adn2205