现代神经网络主要使用线性运算，如卷积和矩阵向量乘法。尽管有专门的处理器来完成这些任务，例如 GPU 和 TPU，但它们的功率和带宽是有限的。由于其巨大的带宽、计算速度和固有的并行性，光学器件是这些类型过程的首选。
空间非相干衍射光学处理器可以处理非负值以外的数据，这可能使它们在视觉加密和自动驾驶汽车导航等各种场景中具有价值。在空间非相干衍射网络模型中，输入矢量的复值元素由一组真实的非负强度值表示，并将生成的输入强度模式输入到非相干衍射网络中。在输出中，从一组预定义的像素合成复值向量元素。为了演示应用，字母“U”和“C”被编码为复杂图像的振幅和相位，该图像以数字方式加密，然后使用空间非相干衍射光学网络进行解密。解密后的复杂图像与原始图像非常匹配。
衍射网络或衍射深度神经网络是一种新型的光计算架构。这些特定于任务的网络可以通过超薄体积以光速被动地进行计算操作。它们由空间设计的薄表面构成。
衍射光学网络的物理硬件由最佳衍射表面制成，这些表面是通过一次性设计程序获得的，该过程教授表面的空间属性。
加州大学洛杉矶分校校长教授、Volgenau工程创新主席Aydogan Ozcan和他的同事在Advanced Photonics Nexus上发布了一项研究，概述了一种在空间不相干光存在的情况下使用衍射网络进行复值线性运算的技术。
该小组先前的研究表明，具有足够自由度的衍射网络可以使用空间相干光来执行任何复值线性变换。
另一方面，如果定义变换的矩阵分量是真实的和非负的，则这些网络可以在空间非相干光下执行输入光强度的任意线性变换。随着空间非相干照明变得越来越普遍和容易获得，空间非相干衍射处理器越来越需要处理超出简单非负值的数据。
加州大学洛杉矶分校的研究人员通过集成预处理和后处理程序，通过非负实数的集合来表示复数，从而扩展了空间非相干衍射网络的能力，以处理复数。
他们表明，如果衍射设计中有足够的可优化相位特征，这种非相干衍射处理器可以用于执行任意复值线性变换，误差可以忽略不计。
通过使用空间非相干衍射网络对复值图像进行加密和解码，研究人员展示了其创新技术的实际应用。这些处理器具有视觉图像加密之外的潜在用途，包括以极快的处理速度和最小的电池消耗分析自动驾驶汽车中的自然场景。
空间非相干衍射处理器在各种环境中都很有用，因为它们在处理超出非负值的数据方面具有多功能性。
