上海理工大学团队开发超快速卷积光学神经网络，实现非记忆效应散射成像

近日，由上海理工大学智能科技学院顾敏院士和张启明教授领衔的研究团队，开发了一种超快速的卷积光学神经网络（ONN），这一技术在无需依赖光学记忆效应的情况下，实现了对散射介质后的物体进行高效、清晰成像。这不仅颠覆传统光学成像技术，也证明了卷积网络在人工智能领域的应用潜力。该成果于6月14日以 "基于超快卷积光学神经网络的非记忆效应散射成像"为题发表于《科学》子刊《科学进展》（ ）上，智能科技学院张雨超特聘研究员为第一作者，顾敏和张启明为共同通讯作者。

张雨超介绍，CNN作为目前为止应用最为广泛的指一种人工智能神经网络架构，它由生物的视觉皮层系统发展而来，视觉皮层结构由Hubel和于1981年所提出并获诺贝尔奖。其核心是卷积操作，通过提取图像的局部特征并逐层构建更为复杂和抽象的特征表示，大大推动了图像处理和模式识别领域的发展。

然而，将这一概念应用于光学领域，面临着将电子信号转换为光学信号的挑战。因此，研究团队巧妙地设计了一种全光学的解决方案，通过在光域中直接进行卷积网络操作，省去了繁琐的信号转换过程，实现了真正的光速计算。

这项技术构建了一个多阶段的卷积网络ONN，它由多个并行核心组成，能够以光速进行操作，直接从散射光中提取特征，实现图像的快速重建。这一过程不仅极大地提高了成像速度，还显著增强了成像质量，使得在复杂散射环境中的成像成为可能。同时，ONN的计算速度达到了每秒1570万亿次操作，为实时动态成像提供支持。

此技术另一大亮点是，多任务处理能力。通过简单地调整网络结构，同一ONN能够同时执行多种不同的图像处理任务，在光学人工智能领域尚属首次。张启明表示，"这种灵活性和效率的结合，不仅展示了卷积网络在人工智能中的重要性，也为光学成像技术开辟了新的道路。"

顾敏表示，随着技术的不断发展和完善，卷积光学神经网络将在自动驾驶、机器人视觉、医学成像等多个领域发挥更大作用，为人类的生活带来更多便利，为科学研究提供更强大的工具。