如果你想開發(fā)出一種超高速物體識(shí)別系統(tǒng)，比如檢測(cè)導(dǎo)彈或者路上的正在跑的汽車的話，那只用一個(gè)連著數(shù)碼相機(jī)的計(jì)算機(jī)是遠(yuǎn)遠(yuǎn)不夠的。加州大學(xué)洛杉磯分校的電氣工程師 Aydogan Ozcan 希望改變這種情況，所以他的研究團(tuán)隊(duì)同時(shí)使用了機(jī)器學(xué)習(xí)技術(shù)、光學(xué)工具和 3D 打印技術(shù)，開發(fā)出了可高速識(shí)別物體的識(shí)別系統(tǒng)。不像普通的計(jì)算機(jī)，這種系統(tǒng)不需要提供外接電源，只需要提供初始光源和一個(gè)簡單的探測(cè)器即可。 h3*Zfl<]  
研究團(tuán)隊(duì)首先提出了一種全光學(xué)的深度學(xué)習(xí)框架——衍射深度神經(jīng)網(wǎng)絡(luò)（Diffractive Deep Neural Network，D2NN），該架構(gòu)采用基于深度學(xué)習(xí)算法的無源衍射層（passive diffractive layers）設(shè)計(jì)，經(jīng)誤差反向傳播法（error back-propagation method）訓(xùn)練后，能夠以接近光速的高速處理能力，實(shí)現(xiàn)多種機(jī)器學(xué)習(xí)的復(fù)雜功能。團(tuán)隊(duì)最后采用 3D 打印制造出了這種光學(xué)架構(gòu)，實(shí)現(xiàn)了手寫數(shù)字和時(shí)尚產(chǎn)品的圖像分類。該成果已經(jīng)發(fā)表于《Science》雜志上。 w QNxL5B  
9:`(Q3Ei