最先进的神经网络中的大部分计算包括线性运算，例如矩阵向量乘法和卷积。线性运算在密码学中也可以发挥重要作用。虽然 GPU 和 TPU 等专用处理器可用于执行高度并行的线性操作，但这些设备耗电，电子设备的低带宽仍然限制了它们的运行速度。光学器件更适合此类操作，因为它具有固有的并行性以及较大的带宽和计算速度。
由一组空间工程薄表面、衍射深度神经网络，也称为衍射网络，形成了一种最近兴起的光学计算架构，能够以光在超薄体积中传播的速度被动地执行计算任务。
这些特定于任务的全光学计算机是通过学习其组成衍射表面的空间特征进行数字化设计的。按照这个一次性设计过程，优化的表面被制造和组装，形成衍射光学网络的物理硬件。
在Advanced Photonics Nexus上发布的论文中，由加州大学洛杉矶分校校长教授兼Volgenau工程创新主席Aydogan Ozcan领导的研究小组介绍了一种在空间非相干照明下使用衍射网络执行复值线性运算的方法。
同一小组之前已经证明，具有足够自由度的衍射网络可以对空间相干光进行任意复值线性变换，误差可以忽略不计。
相反，对于空间非相干光，如果定义变换的矩阵元素是实数和非负的，则这些网络可以对输入光强度执行任意线性变换。鉴于空间上不相干的照明源更普遍且更易于访问，因此越来越需要空间上不相干的衍射处理器来处理非负值以外的数据。
通过结合预处理和后处理步骤，用一组非负实数表示复数，加州大学洛杉矶分校的研究人员将空间非相干衍射网络的处理能力扩展到复数域。
他们证明，如果设计中有足够数量的可优化的仅相位衍射特征，则可以将这种非相干衍射处理器设计为执行任意复值线性变换，误差可以忽略不计，该衍射特征随输入和输出复矢量空间的尺寸而缩放。
研究人员通过使用空间非相干衍射网络对复值图像进行加密和解密，展示了这种新方案的应用。除了视觉图像加密外，这种空间非相干衍射处理器还可用于其他应用，例如，在自动驾驶汽车中对自然场景进行超快速和低功耗处理。
