最先进的神经网络严重依赖线性运算，例如矩阵向量乘法和卷积。虽然 GPU 和 TPU 等专用处理器可用于这些操作，但它们在功耗和带宽方面存在限制。光学器件因其固有的并行性、大带宽和计算速度而更适合此类操作。
衍射深度神经网络，也称为衍射网络，构成了一种新兴的光计算架构。这些特定于任务的网络由空间工程薄表面构成，可以被动地以光速通过超薄体积传播执行计算任务。通过一次性设计过程了解这些衍射表面的空间特征，然后制造优化的表面以创建衍射光学网络的物理硬件。
由加州大学洛杉矶分校校长教授兼Volgenau工程创新主席Aydogan Ozcan领导的团队最近在Advanced Photonics Nexus上发布的一篇论文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。该小组先前的研究表明，具有足够自由度的衍射网络可以用空间相干光进行任意复值线性变换。然而，在空间非相干光下，如果定义变换的矩阵元素是实数和非负的，这些网络可以对输入光强度进行任意线性变换。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，如果衍射设计中有足够数量的可优化相位特征，这种非相干衍射处理器可以设计为执行任意复值线性变换，误差可以忽略不计，这需要随着输入和输出复矢量空间的尺寸而放大。
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，展示了他们新方案的实际应用。除了视觉图像加密之外，这些处理器还在各个领域具有潜在的应用，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。空间非相干衍射处理器处理非负值以外的数据的适应性使其在各种场景中都很有价值。
