Anti‑interferentie diffractieve diepe neurale netwerken voor herkenning van meerdere objecten

Het signaal zien in een lawaaierige wereld

Het moderne leven zit vol camera’s en sensoren die de belangrijke elementen in een scène moeten herkennen – een voetganger op de weg, een minuscuul gezwel in een scan, een verdacht object in een menigte – zelfs wanneer die zijn omgeven door rommel. Dit artikel presenteert een nieuw soort “volledig optisch” neuraal netwerk dat veel van deze herkenning met licht zelf uitvoert in plaats van met elektronische chips. Het resultaat is een systeem dat geselecteerde objecten kan herkennen in drukke, veranderlijke taferelen terwijl alles erbuiten als onschadelijk achtergrondruis wordt behandeld, wat mogelijk snellere en veel energiezuinigere visie voor toekomstige machines mogelijk maakt.

Waarom computers van licht ertoe doen

Conventionele deep‑learning systemen draaien op elektronische processors die stromen schakelen door miljarden kleine schakelaars. Ze zijn krachtig maar ook traag wanneer beslissingen binnen microseconden moeten worden genomen, en ze verspillen veel energie als warmte. Licht biedt een aantrekkelijk alternatief: bundels kunnen grote hoeveelheden informatie parallel dragen, reizen met de ultieme snelheidslimiet en verwarmen circuits niet op dezelfde manier als elektrische stromen. Optische neurale netwerken benutten deze voordelen door licht te vormen met zorgvuldig ontworpen oppervlakken, zodat een bundel die erdoorheen gaat effectief het antwoord op een herkenningsprobleem ‘berekent’.

Van één object naar drukke scènes

De meeste bestaande optische neurale netwerken zijn beperkt tot eenvoudige taken, zoals bepalen welk enkel cijfer in het midden van een schone afbeelding is afgedrukt. Ze hebben moeite wanneer meerdere objecten tegelijk verschijnen, elkaar overlappen of bewegen – precies de omstandigheden die in echte scènes voorkomen. Eerdere pogingen om meerdere objecten aan te kunnen vroegen vaak strikte regels over waar elk object kon verschijnen of steunden op extra elektronische verwerking na de lichtgebaseerde fase, waardoor de snelheid- en energiewinst van de optische aanpak teniet werd gedaan.

Licht leren afleiden van afleiding

De auteurs introduceren een “anti‑interferentie diffractief diep neuraal netwerk”, of AI D2NN, dat direct drukke scènes aanpakt. Het bestaat uit slechts twee ultradunne geprofileerde lagen – metavlakken – waar een bundel terahertzlucht doorheen gaat. Deze lagen worden door computertraining ontworpen zodat licht van doelobjecten, hier de handgeschreven cijfers 0 tot 5, wordt gestuurd naar één van zes kleine heldere vlekken in het uitvlak, één vlek per cijfer. Tegelijkertijd wordt licht van alles wat overblijft – andere cijfers, kledingafbeeldingen, letters en willekeurige combinaties daarvan – opzettelijk verward tot een zwakke, bijna uniforme waas die geen enkele uitgangsvlek activeert.

Een fysische lichtcomputer bouwen en testen

Om het getrainde ontwerp in hardware om te zetten, fabriceerde het team silicium‑metavlakken bestaande uit kleine cilindrische zuiltjes die het passerende licht met precieze hoeveelheden vertragen. Geordend in een raster van 100 bij 100 werken deze zuiltjes als optische neuronen waarvan het gecombineerde effect het geleerde netwerk realiseert. De onderzoekers testten het systeem met terahertzbundels die waren gevormd om mengsels van doelcijfers en 40 verschillende soorten storende vormen weer te geven, geplaatst op willekeurige posities en in willekeurige groottes om bewegende, rommelige scènes na te bootsen. In computersimulaties herkende het optische netwerk de gekozen cijfers correct in ongeveer 87 procent van deze uitdagende gevallen, en een echte experimentele opstelling bereikte bijna dezelfde nauwkeurigheid, wat aantoont dat het concept buiten een computermodel werkt.

Wat dit betekent voor toekomstige machines

In eenvoudige bewoordingen laat dit werk zien dat het mogelijk is om een papierdun optisch toestel te bouwen dat door rommel heen kijkt en toch het object dat het belangrijk vindt herkent, met zeer laag energieverbruik en werkend aan de snelheid van het licht. Omdat het ontwerp leunt op algemene eigenschappen van diffractie, kan hetzelfde idee worden opgeschaald naar andere kleuren of golflengten van licht en gecombineerd met andere optische technieken om veel meer objectklassen tegelijk aan te kunnen. Met verdere verfijning zouden vergelijkbare anti‑interferentie optische netwerken zelfrijdende auto’s kunnen helpen belangrijke weggebruikers snel te identificeren, artsen kunnen ondersteunen bij het in real time signaleren van verdachte kenmerken in scans, of kunnen lichte beveiligingscamera’s mogelijk maken die bedreigingen detecteren zonder zware elektronische verwerking.

Bronvermelding: Huang, Z., Liu, Y., Zhang, N. et al. Anti-interference diffractive deep neural networks for multi-object recognition. Light Sci Appl 15, 101 (2026). https://doi.org/10.1038/s41377-026-02188-7

Trefwoorden: optische neurale netwerken, herkenning van meerdere objecten, metavlakken, terahertzbeeldvorming, volledig optisch rekenen