അൾട്രാഫാസ്റ്റ് കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള മെമ്മറി-ഫ്രീ സ്‌കാറ്ററിംഗ് ഇമേജിംഗ്.

സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്റർ എന്നത് ഒരു തരം ഡൈനാമിക് ഘടകമാണ്, ഇത് ബാഹ്യ സിഗ്നലിന്റെ നിയന്ത്രണത്തിൽ തത്സമയം സംഭവ പ്രകാശത്തിന്റെ വ്യാപ്തി, ഘട്ടം, ധ്രുവീകരണ അവസ്ഥ എന്നിവ മോഡുലേറ്റ് ചെയ്യാൻ കഴിയും. സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ പ്രയോഗം സ്‌കാറ്ററിംഗ് ഇമേജിംഗ് പരമ്പരാഗത ഗ്രൗണ്ട് ഗ്ലാസിന് പകരം കപട-തെർമൽ ലൈറ്റ് ഫീൽഡ് സൃഷ്ടിക്കാൻ മാത്രമല്ല, സ്കാറ്ററിംഗ് ഇമേജിംഗ് ഗവേഷണത്തിനുള്ള ഒരു ലക്ഷ്യ വസ്തുവായും ഉപയോഗിക്കാം. സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ പ്രയോഗത്തിന് ചിതറിക്കിടക്കുന്ന പ്രകാശ മണ്ഡലത്തിന്റെ നിയന്ത്രണത്തിൽ മുൻകൈയും കുസൃതിയും സാക്ഷാത്കരിക്കാൻ കഴിയും.

പ്രബന്ധ വിവരങ്ങൾ:

മേഘാവൃതമായ കലകളും പുള്ളികളുള്ള പാളികളും ഉൾപ്പെടെയുള്ള സങ്കീർണ്ണമായ സ്കാറ്ററിംഗ് മീഡിയയിലെ മാക്രോസ്കോപ്പിക്, മൈക്രോസ്കോപ്പിക് ഇമേജിംഗ് രീതികൾക്ക് ഒപ്റ്റിക്കൽ മെമ്മറി ഇഫക്റ്റുകൾ ഒരു പ്രധാന അടിസ്ഥാനമാണ്. എന്നിരുന്നാലും, ഒപ്റ്റിക്കൽ മെമ്മറി ഇഫക്റ്റ് ഇല്ലാതെ ശക്തമായി സ്കാറ്ററിംഗ് മീഡിയയിൽ ഇമേജ് പുനർനിർമ്മാണം വിജയിച്ചിട്ടില്ല. ഇതിനായി, പ്രകാശവേഗത്തിൽ പ്രവർത്തിക്കുന്ന ഒന്നിലധികം സമാന്തര കോറുകളെ സംയോജിപ്പിക്കുന്ന ഒരു മൾട്ടിസ്റ്റേജ് കൺവല്യൂഷണൽ ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് (ONN) വികസിപ്പിച്ചുകൊണ്ട് ഒപ്റ്റിക്കൽ മെമ്മറി ഇഫക്റ്റുകൾ ഇല്ലാതെ ഒരു സ്കാറ്ററിംഗ് ലെയറിൽ ചിത്രങ്ങൾ പുനർനിർമ്മിക്കാനുള്ള കഴിവ് ഞങ്ങൾ പ്രകടമാക്കുന്നു. ഫ്യൂറിയർ ഒപ്റ്റിക്‌സിനെ അടിസ്ഥാനമാക്കി, സമാന്തര, ഒറ്റ-ഘട്ട കൺവല്യൂഷൻ ONN പരിശീലനം, മെമ്മറി രഹിത ഇമേജ് പുനർനിർമ്മാണം നേടുന്നതിന് സവിശേഷതകൾ നേരിട്ട് വേർതിരിച്ചെടുക്കുന്നു, കൂടാതെ കാഴ്ചാ മണ്ഡലം 271 മടങ്ങ് വരെ വികസിപ്പിച്ചിരിക്കുന്നു. 1.57peta ഓപ്പറേഷനുകൾ പെർ സെക്കൻഡ് (POPS) എന്ന കമ്പ്യൂട്ടിംഗ് പവർ ഉപയോഗിച്ച് അൾട്രാ-ഫാസ്റ്റ് മൾട്ടി-ടാസ്‌ക് ഇമേജ് പുനർനിർമ്മാണത്തിനായി ഉപകരണം ചലനാത്മകമായി പുനഃക്രമീകരിക്കാൻ കഴിയും, ഗ്രാഫിക്‌സ് പ്രോസസ്സിംഗിനായി ഒരു അൾട്രാ-ഫാസ്റ്റും കാര്യക്ഷമവുമായ ഒപ്റ്റിക്കൽ മെഷീൻ ലേണിംഗ് പ്ലാറ്റ്‌ഫോം വിജയകരമായി സ്ഥാപിക്കുന്നു.

പരീക്ഷണ പ്രക്രിയയുടെയും ഫലങ്ങളുടെയും ഭാഗമാണ് താഴെ പറയുന്നവ:
കൺവല്യൂഷണൽ ONN-ന്റെ പരീക്ഷണാത്മക സജ്ജീകരണം ചിത്രം 1-ൽ കാണിച്ചിരിക്കുന്നു. പരീക്ഷണത്തിൽ, കൺവല്യൂഷണൽ ONN-ന്റെ പ്രോഗ്രാമബിൾ പിക്സൽ-ലെവൽ ഇൻപുട്ട് സൃഷ്ടിക്കാൻ ഒരു റിഫ്ലക്ടീവ് ഇന്റൻസിറ്റി മോഡുലേറ്റർ SLM0 (FSLM-HD70-A/P, പിക്സൽ വലുപ്പം 8μm, 1920×1080) ഉപയോഗിക്കുന്നു. SLM0 മോഡുലേറ്റ് ചെയ്ത പ്രകാശ മണ്ഡലം പിന്നീട് ഒരു 4f സിസ്റ്റം വഴി കൺവല്യൂഷണൽ ONN-ന്റെ ഇൻപുട്ട് തലത്തിലേക്ക് കൈമാറുന്നു. 4f സിസ്റ്റത്തിൽ രണ്ട് ലെൻസുകൾ അടങ്ങിയിരിക്കുന്നു. ഫോക്കൽ ദൂരംSLM0 ആയി എൻകോഡ് ചെയ്ത വസ്തുക്കൾക്ക് 0.5x മാഗ്നിഫിക്കേഷൻ നൽകുന്നതിന് 100 mm (L1) ഉം 50 mm (L2) ഉം ഉള്ള s. കൂടുതൽ പ്രോസസ്സിംഗിനായി ഇൻപുട്ട് തലം മൂന്ന്-ലെയർ കൺവല്യൂഷണൽ ONN-ലേക്ക് അയയ്ക്കുന്നു. കൺവല്യൂഷൻ ONN-ൽ മൂന്ന് ഫേസ് മോഡുലേറ്റർ SLM-കൾ അടങ്ങിയിരിക്കുന്നു (ഞങ്ങളുടെ മോഡൽ FSLM-4K70-P02). ഘട്ടം SLM-കൾക്ക് 4094×2400 പിക്സലുകൾ ഉണ്ട്, പിക്സൽ വലുപ്പം 3.74μm×3.74μm ആണ്. ആദ്യത്തെ കൺവല്യൂഷൻ പാളി SLM1 ആയി എൻകോഡ് ചെയ്തിരിക്കുന്നു, ഇൻപുട്ട് തലത്തിനും SLM1 നും ഇടയിലുള്ള ദൂരം 10cm ആണ്. SLM1 മോഡുലേറ്റ് ചെയ്ത ശേഷം, ബീം സ്പ്ലിറ്ററുകളായ BS2, BS3 എന്നിവയിൽ നിന്നുള്ള പ്രതിഫലനം വഴി ബീം SLM2-ലേക്ക് ട്രാൻസ്മിറ്റ് ചെയ്യുന്നു. രണ്ടാമത്തെ കൺവല്യൂഷൻ പാളി SLM2 ആയും SLM1 ഉം SLM2 ഉം 20cm ഉം ആണ്. SLM2 മോഡുലേറ്റ് ചെയ്ത ബീം പിന്നീട് SLM3-ലേക്ക് ട്രാൻസ്മിറ്റ് ചെയ്യുന്നു. പൂർണ്ണമായും ബന്ധിപ്പിച്ചിരിക്കുന്ന മൂന്നാമത്തെ ഒരു പാളി SLM3-ലേക്ക് കോഡ് ചെയ്തിരിക്കുന്നു, SLM2-നും SLM3-നും ഇടയിൽ 10 സെ.മീ അകലം. SLM3 മോഡുലേറ്റ് ചെയ്ത ബീം, ബീം സ്പ്ലിറ്റർ BS4-ൽ നിന്നുള്ള പ്രതിഫലനം വഴി കൺവ്യൂഷൻ ONN-ന്റെ ഔട്ട്‌പുട്ട് തലത്തിലേക്ക് വ്യാപിപ്പിക്കുന്നു, SLM3-നും ഔട്ട്‌പുട്ട് തലത്തിനും ഇടയിൽ 20 സെ.മീ അകലം. അനുമാന ഫലങ്ങൾ രേഖപ്പെടുത്തുന്നതിനായി കൺവ്യൂഷണൽ ONN-ന്റെ ഔട്ട്‌പുട്ട് തലത്തിൽ അക്വിസിഷൻ ക്യാമറ (പിക്സൽ വലുപ്പം 4.8μm, 1280×1024) സ്ഥാപിച്ചു. ഒരു കൺവ്യൂഷൻ ONN-ന്റെ വ്യത്യസ്ത പാളികൾക്കിടയിലുള്ള തെറ്റായ ക്രമീകരണം അതിന്റെ പ്രകടനത്തെ ഗണ്യമായി കുറയ്ക്കുമെന്ന് ശ്രദ്ധിക്കേണ്ടതാണ്.

ചിത്രം 1 മൂന്ന് പാളി കൺവല്യൂഷണൽ നെറ്റ്‌വർക്ക് ONN-ന്റെ പരീക്ഷണാത്മക സജ്ജീകരണത്തിന്റെ സ്കീമാറ്റിക് ഡയഗ്രം. (A) ONN-ന്റെ ഓരോ പാളിയുടെയും പാരാമീറ്ററുകളും കോർഡിനേറ്റുകളും കൺവല്യൂഷൻ ചെയ്യുക. (B) കൺവല്യൂഷനുള്ള പരീക്ഷണാത്മക ഉപകരണം ONN. M, മിറർ; POL, ലീനിയർ പോളറൈസർ; BS, ബീം സ്പ്ലിറ്റർ; L, ലെൻസ്; SLM, സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്റർ.

ചിത്രം 2 സ്കാറ്ററിംഗ് ലെയർ സ്റ്റാക്കിംഗിലൂടെ മെമ്മറി-ഫ്രീ ഇമേജ് പുനർനിർമ്മാണത്തിന്റെ സംവിധാനം. (എ) ഒന്നിലധികം സ്കാറ്ററുകളിലൂടെ സ്കാറ്ററിംഗ് ഡയഗ്രം. ഓരോ സ്കാറ്റററിനെയും ഒരു നേർത്ത സ്കാറ്ററർ പാളിയായി മാതൃകയാക്കാം, N സ്കാറ്റററുകളുടെ എണ്ണത്തെ പ്രതിനിധീകരിക്കുന്നു, d സ്കാറ്റററുകൾക്കിടയിലുള്ള അകലത്തെ പ്രതിനിധീകരിക്കുന്നു. (ബി) വ്യത്യസ്ത സ്കാറ്ററിംഗ് സാഹചര്യങ്ങളിൽ ഉൽ‌പാദിപ്പിക്കപ്പെടുന്ന സ്പാക്കിളുകളുടെ പാറ്റേൺ. ഇടതുവശത്തുള്ള ചിത്രം ഒപ്റ്റിക്കൽ മെമ്മറി ഇഫക്റ്റുകളുള്ള സ്പോട്ടുകളെയും (N = 1, d = 0) ഒപ്റ്റിക്കൽ മെമ്മറി ഇഫക്റ്റുകൾ ഇല്ലാത്ത സ്പോട്ടുകളെയും (N > 1, d > 0) താരതമ്യം ചെയ്യുന്നു. വലതുവശത്തുള്ള ചിത്രം ഓരോ കേസിലും കോണീയ കോറിലേഷൻ കർവുകൾ കാണിക്കുന്നു, വെർച്വൽ ലൈനുകൾ ഒരു ഫ്ലാറ്റ് ഗ്ലാസ് പാളിക്ക് കോണീയ കോറിലേഷൻ കർവുകളെ പ്രതിനിധീകരിക്കുന്നു. ഈ കർവുകളുടെ പകുതി ഉയരവും വീതിയും ചിത്രത്തിന്റെ വ്യൂ ഫീൽഡ് നിർണ്ണയിക്കുന്നു. (സി) മൂന്ന്-ലെയർ കൺവല്യൂഷണൽ ONN-ൽ മെമ്മറി-ഫ്രീ ഇമേജ് പുനർനിർമ്മാണത്തിന്റെ ആശയം.

ചിത്രം. 3 ഒപ്റ്റിക്കൽ കൺവോള്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ തത്വം. (എ) മൂന്ന്-ലെയർ കൺവോള്യൂഷണൽ ONN-ൽ രണ്ട് ഒപ്റ്റിക്കൽ കൺവോള്യൂഷണൽ പാളികളും ഒരു ഒപ്റ്റിക്കൽ പൂർണ്ണമായും ബന്ധിപ്പിച്ച പാളിയും അടങ്ങിയിരിക്കുന്നു. (ബി) ആദ്യത്തെ കൺവോള്യൂഷണൽ പാളിയുടെ ഘടനയിൽ ഒമ്പത് വ്യത്യസ്ത തരം ന്യൂക്ലിയസുകൾ അടങ്ങിയിരിക്കുന്നു. ഓരോ കോറിലും മൂന്ന് ഘടനകൾ അടങ്ങിയിരിക്കുന്നു: വോർടെക്സ് ഘട്ടം, റാൻഡം ഘട്ടം, ഗ്രേറ്റിംഗ് ഘട്ടം. (സി) രണ്ടാമത്തെ കൺവോള്യൂഷൻ പാളിയുടെ ഘട്ടം ഘടന 3×3 മേഖലകളായി തിരിച്ചിരിക്കുന്നു. ഓരോ മേഖലയുടെയും ഘട്ടം ആദ്യത്തെ കൺവോള്യൂഷൻ പാളിയുടെ അതേ പ്രക്രിയയിലൂടെയാണ് നിർമ്മിച്ചിരിക്കുന്നത്, അതിന്റെ ഫലമായി 81 ന്യൂക്ലിയസുകൾ ലഭിക്കും. (ഡി) MNIST, FashionMNIST ഡാറ്റാസെറ്റുകൾ അടിസ്ഥാനമാക്കിയുള്ള അനുമാന വർഗ്ഗീകരണ ജോലികളിൽ പരിശീലനം നേടിയ കൺവോള്യൂഷണൽ ONN പ്രകടനം. മുകളിലുള്ള ചിത്രം ഓരോ കേസിലും പഠന വക്രം കാണിക്കുന്നു. കൺവോള്യൂഷണൽ ONN ഔട്ട്‌പുട്ട് തലത്തിലെ പരീക്ഷണാത്മക വർഗ്ഗീകരണ ഫലങ്ങൾ ഇനിപ്പറയുന്ന ചിത്രം കാണിക്കുന്നു, ചുവന്ന ഡാഷ് ചെയ്ത ചതുരങ്ങൾ അനുബന്ധ സംഖ്യ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ഡിറ്റക്ടർ മേഖലയെ പ്രതിനിധീകരിക്കുന്നു.

ചിത്രം. 4 മെമ്മറി രഹിത ഇമേജ് പുനർനിർമ്മാണത്തിന്റെ പരീക്ഷണാത്മക പരിശോധന. (എ) രണ്ട് സ്കാറ്ററിംഗ് ലെയറുകളുള്ള ഒരു പരിശീലനം ലഭിച്ച കൺവ്യൂഷൻ ONN-ന്റെ പരീക്ഷണാത്മക പുനർനിർമ്മാണ ഫലങ്ങൾ (N = 2). ആദ്യ വരി വസ്തുവിന്റെ യഥാർത്ഥ ചിത്രം കാണിക്കുന്നു, രണ്ടാമത്തെയും നാലാമത്തെയും വരികൾ യഥാക്രമം d = 3 cm, d = 4 cm, d = 5 cm എന്നിവയുടെ പുനർനിർമ്മാണ ഫലങ്ങളുമായി പൊരുത്തപ്പെടുന്നു. (ബി) ഒന്നിലധികം സ്കാറ്ററിംഗ് ലെയറുകളുള്ള പരിശീലനം ലഭിച്ച കൺവ്യൂഷൻ ONN-കളുടെ പരീക്ഷണാത്മക പുനർനിർമ്മാണ ഫലങ്ങൾ (N > 2). ആദ്യത്തേത് മുതൽ നാലാമത്തെ വരികൾ യഥാക്രമം N = 2, 3, 4, 5 എന്നിവയുള്ള കേസുകളുമായി യോജിക്കുന്നു. (സി) കൺവ്യൂഷൻ ONN-ൽ വോർടെക്സ് ഘട്ടത്തിന്റെ പ്രഭാവം കാണിച്ചിരിക്കുന്നു. വലതുവശത്തുള്ള ചിത്രം d = 5 cm ചിതറിക്കുമ്പോൾ വോർടെക്സ് ഘട്ടവുമായും അല്ലാതെയും കൺവ്യൂഷൻ കേർണൽ കർവുകളെ താരതമ്യം ചെയ്യുന്നു, പുനർനിർമ്മാണ ഫലങ്ങളും. ഇടതുവശത്തുള്ള ചിത്രം ഇൻപുട്ട് ഒബ്ജക്റ്റിന്റെ വ്യത്യസ്ത ദിശാസൂചന എഡ്ജ് വിവരങ്ങൾ വേർതിരിച്ചെടുക്കാൻ വ്യത്യസ്ത വോർടെക്സ് ഘട്ട ഘടനകൾ ഉപയോഗിക്കാമെന്ന് കാണിക്കുന്നു.

പരിശീലനം നൽകാവുന്ന കൺവല്യൂഷണൽ ONN-കളുടെ ഡൈനാമിക്, മൾട്ടിടാസ്കിംഗ് പ്രകടനം ചിത്രം 5 കാണിക്കുന്നു. (എ) കൺവല്യൂഷണൽ ONN ഉപയോഗിച്ച് മെമ്മറി-രഹിത ഇമേജ് പുനർനിർമ്മാണത്തിനായുള്ള ഡൈനാമിക് ഇൻഫെർഷൻ പ്രോസസ് (S1, S2). ഇൻപുട്ട് സ്പോട്ട് പാറ്റേൺ 60Hz SLM-ൽ ലോഡ് ചെയ്തിരിക്കുന്നു. (ബി) മെമ്മറി-രഹിത ഇമേജ് പുനർനിർമ്മാണം നേടുന്നതിനായി വീഡിയോ ഫ്രെയിം മൾട്ടിടാസ്കിംഗ് അനുമാനത്തിനായി രണ്ട് ടാസ്‌ക്കുകളുടെ കൺവല്യൂഷണൽ ONN ഫ്രെയിംവർക്ക് S3-ൽ പ്രദർശിപ്പിച്ചിരിക്കുന്നു. പൂർണ്ണമായും ബന്ധിപ്പിച്ച റാസ്റ്ററിന്റെ മൂന്നാമത്തെ ലെയറിന്റെ രൂപരേഖ ചിത്രം S17-ൽ കാണിച്ചിരിക്കുന്നു.

ഈ പരീക്ഷണത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന ആംപ്ലിറ്റ്യൂഡ്-ടൈപ്പ് സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ പാരാമീറ്ററുകൾ ഇപ്രകാരമാണ്:

ഈ പരീക്ഷണത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന ഫേസ്-ടൈപ്പ് സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ പാരാമീറ്ററുകൾ ഇപ്രകാരമാണ്:

അവസാനം എഴുതുക:
കമ്പ്യൂട്ടേഷണൽ ഇമേജിംഗ് മേഖലയിൽ, ഗോസ്റ്റ് ഇമേജിംഗ്, ഡിജിറ്റൽ ഹോളോഗ്രാഫി, ഫ്യൂറിയർ ലാമിനേഷൻ മൈക്രോസ്കോപ്പി തുടങ്ങിയ മേഖലകളിലെ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വ്യാപകമായി ഉപയോഗിച്ചുവരുന്നു. അതേസമയം, ആഴത്തിലുള്ള പഠനത്തിന്റെ ശക്തമായ ഡാറ്റ ഫിറ്റിംഗ് കഴിവും ഒപ്റ്റിമൈസേഷൻ സൊല്യൂഷൻ കഴിവും സ്കാറ്ററിംഗ് ഇമേജിംഗ് മേഖലയിൽ വലിയ പങ്കുവഹിക്കുന്നു. സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ മികച്ച മോഡുലേഷനും കൃത്യമായ നിയന്ത്രണവും ഉപയോഗിച്ച്, സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെയും ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെയും സംയോജനം കൂടുതൽ സ്പാർക്കുകൾ സൃഷ്ടിക്കും.

ലേഖന വിവരങ്ങൾ:
ഡി.ഒ.ഐ: 10.1126/sciadv.adn2205