基于衍射神经网络的光学高速粒子分类系统
1 论文核心概念
本文提出并实验验证了一种基于衍射深度神经网络（D²NN）的高速光学信息处理系统，用于对流动中的亚毫米级颗粒进行实时图像分类。
其核心思想是利用光在传播和衍射过程中的物理特性直接搞定神经网络计算，从而绕过电子处理器的速度限制，构建纳秒级的高速处理。
该平台通过直接从流动样品中捕获光信号，并利用预先训练好的相位调制层（由LCOS-SLM建立）进行多反射光学计算，最终在CMOS传感器上输出分类结果。实验表明，该系统在对50μm和100μm玻璃颗粒进行分类时达到了超过98%的准确率，并具备每秒处理超过700张图像的能力，若使用更快的传感器，速度可进一步提升至每秒1000张以上。
=================================================================================
与传统电子神经网络在数字领域进行串行计算不同，衍射深度神经网络（D²NN）最根本的优势在于其前向推理是一个利用物理定律进行模拟光计算的过程。其计算并非借助数字逻辑运算完成，而是输入光场在经过一系列静态衍射层时，利用衍射和干涉这一物理现象直接形成的。这带来了两个核心优势：一是极致的速度，计算在光穿过装置的瞬间（纳秒量级）即已完成，其速度仅取决于光速和传播距离，与计算复杂度无关；二是高度的并行性与低功耗，整个输入图像的所有像素同时被处理，无需数据搬运，且计算过程本身几乎不消耗能量，能量仅用于光源和探测。因此，D²