可变光学环境下衍射神经网络的仿真模型研究

光学衍射神经网络(optical diffractive neural network, ODNN)已被证明可以很好地完成机器学习的推理任务。然而目前大部分ODNN的研究主要集中在大气环境下，其他空间环境下的ODNN性能讨论甚少。本文基于瑞利–索末菲衍射理论，研究分析了不同光学环境下ODNN的训练及测试效果。在532 nm的可见光工作波段下，光学衍射神经网络分别在空气和水环境中训练，在其能准确执行推理能力的情况下，将网络模型在仿真阶段置于新的空间环境测试，研究网络性能的变化趋势，分析ODNN对的测试环境适应性。本文仿真结果表明，光学衍射神经网络对测试环境的变化响应敏感，网络的推理能力随着测试环境与训练条件的偏差增大而下降，直至消失。以此为切入点，为光学衍射神经网络增加一个额外的自由度，有望在ODNN的多任务等方面提供新的研究方向。

传统人工智能使用电子进行计算，但在信号处理速度和能耗方面会受到基于冯–诺依曼系统的计算硬件的限制。因此，使用光子代替电子进行计算的光学计算变得尤为重要[1]。光学衍射神经网络ODNN [2]是光学与深度学习相结合的最新产物，它已被证明是光学训练网络的有效实现方式，具有光速传输、低功耗和高并行处理能力等优点。它利用光与物质之间的相互作用，将光的衍射传播和波前调制分别模拟为神经元连接和神经网络的加权线性求和，从而实现光学人工智能的功能。ODNN 的物理实验已有报道， 开发ODNN 扩展功能的研究也已发表， 如成像[3]、光逻辑门操作[4] [5]、图像重建[6]、光谱成像[7]、双向聚焦透镜[8]、复用和解复用[9] [10]、全息[11]等。

目前主要的ODNN 研究大多集中在长波长(太赫兹和千兆赫等)、大尺寸和静态执行单一任务等方向。

在光子信息处理领域，需要特别关注近红外、可见光等短波长[12]的处理，而短波长对于ODNN 来说也意味着体积小，这对于满足其结构小型化以实现器件集成起着至关重要的作用。同时，当这种器件集成的结构可调时，它可用作ODNN 的下一阶段，即可重构ODNN。目前研究的主要方法是改变衍射层的结构来实现ODNN 的可重构性，如可编程元表面[13]、磁光材料[14]等。另一个研究方向是考虑通过改变光学环境[15]来重构ODNN 上的相位调制。例如，基于液晶的可重构元表面可以通过改变加载液晶单元的微带贴片上的直流电压来调整有效介电常数[15] [16] [17]，从而调整元表面上不同位置的相位差 考虑到ODNN 原理，光学环境的变化会对衍射传输和波前调制产生影响。然而，目前几乎所有关于ODNN 的研究主要集中在大气环境， 在其他光学环境的研究甚少。

本文将532 nm 的可见光工作波段下围绕光学测试环境研究ODNN 性能的影响。在某一环境下训练得到的衍射相位板置于新的光学环境中，