深度学习彻底改变了我们感知和利用数据的方式。然而，随着数据集的增长和计算需求的增加，我们需要更有效的方法来处理、存储和处理数据。在这方面，光学计算被视为计算技术的下一个前沿。光学计算不是使用电子信号，而是依靠光波的特性来存储和处理数据。
衍射深度神经网络利用光波的各种特性来执行图像和物体识别等任务。这种网络由作为衍射层的二维像素阵列组成。每个像素都是一个可调节的参数，影响通过它的光波的特性。这种独特的设计使网络能够通过操纵光波中保存的信息来执行计算任务。到目前为止，D2神经网络利用了光波的特性，如强度、相位、偏振和波长。
现在，在发布在Advanced Photonics Nexus上的一项研究中，来自中国中央民族大学、北京大学和山西大学的研究人员开发了三个D2具有衍射层的神经网络，可以使用光的轨道角动量中的信息来识别物体。其中包括单探测器 OAM 编码的 D2用于单任务和多任务分类的 NN，以及多探测器 OAM 编码的 D2用于可重复多任务分类的 NN。
但什么是OAM?它是与其旋转或扭曲运动有关的光波的特性。它可以具有无限数量的独立值，每个值对应于不同的光模式。由于其广泛的可能状态或模式，OAM可以携带空间信息，例如物体的位置、排列或结构。在建议的 D2NN框架，包含照亮手写数字的信息的OAM光束被组合成单个涡旋光束。该光束包含多个OAM模式，每个模式都与光波的特定扭曲或旋转相关联，穿过五个衍射层，这些衍射层经过训练，可以从OAM模式中识别手写数字的特征。
OAM 编码的 D 的一个显著特征2NN 是它辨别重复数字序列的能力。为了实现这一点，研究人员使用了多个探测器来同时处理多个图像的OAM信息。
在MNIST数据集上进行测试时，D2NN在大约85.49%的时间内正确预测了图像中的个位数，其准确率水平与D2利用光的波长和偏振特性的 NN 模型。
利用OAM模式对信息进行编码是朝着提高并行处理能力迈出的重要一步，并将有利于需要实时处理的应用，例如图像识别或数据密集型任务。
实际上，这项工作利用OAM自由度实现了平行分类的突破，超越了现有的其他D。2NN 设计。值得注意的是，OAM 编码的 D2神经网络为进一步提高全光并行分类和基于OAM的机器视觉任务的能力提供了强大的框架，有望为人类发展开辟广阔的研究方向。2NN。
