一项突破性的科研(yan)成果将卷积(ji)神(shen)经网络的概(gai)念引入光学领域，为人工智能成像技术带来了(le)进展。
澎湃(pai)新(xin)闻（www.thepaper.cn）记者6月17日获悉，由上海理工大学智能科技学院张启明教授，智能科技学院、张江实(shi)验室光计(ji)算所顾敏院士领衔的研(yan)究团队，开发了(le)一种超快(kuai)速的卷积(ji)光学神(shen)经网络（ONN），这一技术在无需(xu)依赖光学记忆效应的情况下，实(shi)现了(le)对散射介质后(hou)的物体进行高效、清晰的成像。这不仅是对传统光学成像技术的一次颠(dian)覆，更是卷积(ji)网络在人工智能中(zhong)应用潜力的一次展示。
该成果于6月14日以“基于超快(kuai)卷积(ji)光学神(shen)经网络的非记忆效应散射成像(Memory-less scattering imaging with ultrafast convolutional optical neural networks)”为题发表于《科学》(Science)子刊《科学进展》（Science Advances）上，智能科技学院张雨超特聘研(yan)究员为第一作者，顾敏院士和张启明教授为共(gong)同通讯作者。
CNN作为目前为止应用最为广泛的一种人工智能神(shen)经网络架构(gou)，它由生物的视觉皮层(ceng)系统发展而(er)来，视觉皮层(ceng)结构(gou)由Hubel和Wiesel于1981年所提出，并(bing)获得了(le)诺(nuo)贝(bei)尔奖。卷积(ji)操作作为CNN中(zhong)的核心，通过提取(qu)图像的局部特征并(bing)逐层(ceng)构(gou)建更为复杂和抽(chou)象的特征表示，极大地推动了(le)图像处(chu)理和模式(shi)识别领域的发展。然而(er)，将这一概(gai)念应用于光学领域，面临着将电子信号转换(huan)为光学信号的挑战。研(yan)究团队巧妙地设(she)计(ji)了(le)一种全光学的解决(jue)方案，通过在光域中(zhong)直接进行卷积(ji)网络操作，省去了(le)繁琐的信号转换(huan)过程，实(shi)现了(le)真(zhen)正的光速计(ji)算。
这项技术的关键在于构(gou)建了(le)一个多(duo)阶段的卷积(ji)网络ONN，它由多(duo)个并(bing)行核心组成，能够以光速进行操作，直接从散射光中(zhong)提取(qu)特征，实(shi)现图像的快(kuai)速重(zhong)建。这一过程不仅极大地提高了(le)成像速度(du)，还显著增强了(le)成像质量，使得在复杂散射环境中(zhong)的成像成为可能。同时，ONN的计(ji)算速度(du)达到了(le)每秒(miao)1570万亿次操作（1.57 Peta operations per second, POPS），为实(shi)时动态成像提供了(le)强大的支持。
研(yan)究成果 上海理工大学 供图
此(ci)技术另一大亮点是其多(duo)任务处(chu)理能力。通过简单地调整网络结构(gou)，同一ONN能够同时执行多(duo)种不同的图像处(chu)理任务，如分类(lei)、重(zhong)建等，在光学人工智能领域尚属首次。张启明提到：“这种灵活性和效率(lu)的结合，不仅展示了(le)卷积(ji)网络在人工智能中(zhong)的重(zhong)要性，也为光学成像技术开辟了(le)新(xin)的道(dao)路。”
这项技术不仅是对卷积(ji)神(shen)经网络在光学领域的一次成功移植(zhi)，更是对人工智能成像技术的一次重(zhong)大推动。顾敏表示：“随着技术的不断发展和完善，卷积(ji)光学神(shen)经网络将在自(zi)动驾驶、机(ji)器人视觉、医学成像等多(duo)个领域将发挥更加重(zhong)要的作用，为人类(lei)的生活带来更多(duo)便(bian)利(li)，为科学研(yan)究提供更强大的工具。”