通过随机散射介质识别物体在医学成像、海洋学、安全、机器人和自动驾驶等众多领域都是一项既重要又有挑战性的任务。目前研究人员们也研发了有很多计算解决方案来解决该问题。不过，所有此类解决方案都需要大规模的数字计算，消耗大量的能量，同时在训练阶段从没使用过的新随机散射体仍缺乏普遍性。
全光学计算实验（图片来源：UCLA）
据外媒报道，最近，美国加州大学洛杉矶分校（UCLA）的研究人员研发了一种全光学方法，能够采用衍射深度神经网络（D2NN）通过未知随机散射体对物体进行分类。D2NN能够形成一个自由空间光学计算平台，近年来引起了越来越多的研究兴趣。
D2NN通过一系列空间结构表面调制光衍射来计算给定的任务，从而形成一个以光速运行的全光学计算机。此种全光学计算框架具有高速、并行以及低功耗等优点，可用于物体分类、定量相位成像、显微技术、通用线性变换等计算任务。
该研究论文题为“利用单像素衍射网络通过未知随机散射体进行全光学图像分类”，发布于《光：科学与应用》杂志，提出了一种利用宽带衍射网络通过采用单像素光谱探测器的未知随机散射体对未知物体进行分类。
该宽带衍射网络架构采用20个离散波长，将被散射体扭曲的物体映射成通过单个像素检测到的光谱特征。在训练过程中，采用了很多随机生成的相位散射体来提高衍射光学网络的泛化性能。在经过深度学习训练过程（一次性）之后，生成的衍射层能够在物理上被创造，形成一个单像素网络，可以对完全隐藏在训练中从未见过的新型未知随机散射体中的物体进行分类。
在研究人员的仿真训练中，该单像素宽带衍射网络通过随机选择的未知相位散射体成功识别手写数字，盲测精度为87.74%。此外，研究人员采用3D打印衍射网络和太赫兹时域光谱系统证明了此种单像素宽带分类器的可行性。此种光学计算框架可根据照明波长进行缩放，从而可在电磁频谱的任何部分进行操作，而无需重新设计或重新训练该层。
该项研究由Aydogan Ozcan博士领导，他表示：“该项研究首次展示了通过随机散射体对物体进行全光学分类，并将其推广应用于新型位置散射体，我们相信该项研究将通过随机散射介质研发更快、更高效、可扩展的物体/图像分类技术产生影响，将令医疗保健、生物医学、电信、航空航天等广泛领域受益。”
