AI, 3D-Druck & Lichtbrechung für numerische Berechnungen

Heute findet man 3D-Drucker an den überraschendsten Orten und auf der ganzen Welt. Nicht nur das, sie sind oft damit beschäftigt, die überraschendsten Dinge für die Menschheit zu schaffen. Maschinelles Lernen und Datenberechnungen sind dafür perfekte Beispiele, denn sie werden jetzt in 3D über ein neues künstliches Intelligenzsystem angewendet, welches seine Arbeit durch Lichtbrechung verrichtet.

AI basiert auf Schleifenberechnungen von Zahlen und Daten, die letztendlich zur Erkennung führen. Wie die UCLA-Forscher herausgefunden haben, können sie dies durch 3D-Drucken mit Hilfe von Licht tatsächlich in physische Form bringen. Unter der Prämisse des 3D-Drucks, der auf Schichten aufgebaut ist, sind die Forscher in der Lage, transparente Beugungsmuster zu erzeugen, die Daten in einem neuronalen Netzwerk “reflektieren”. Ihre Arbeit wurde kürzlich in einem Paper mit dem Titel ‘All-optical machine learning using diffractive deep neural networks‘ von Xing Lin, Yair Rivenson, Nezih T. Yardimci, Muhammed Veli, Yi Luo, Mona Jarrahi und Aydogan Ozcan veröffentlicht.

“Tiefes Lernen hat unsere Fähigkeit, fortgeschrittene Inferenzaufgaben mit Hilfe von Computern auszuführen, verändert”, so die Forscher in ihrer Zusammenfassung.

Sie sind in der Lage, dies mit einem diffraktiven, tiefen neuronalen Netzwerk, auch bekannt als D2NN-Architektur, zu etablieren. Dieses ist in der Lage, Funktionen basierend auf den kollektiven diffraktiven Schichten auszuführen.

“Wir erstellen 3D-gedruckte D2NNs, die die Klassifizierung der Bilder von handgeschriebenen Ziffern und Modeprodukten sowie die Funktion eines Abbildungsobjektivs im Terahertz-Spektrum umsetzen”, so die Forscher. “Unser volloptisches Deep-Learning-Framework kann mit Lichtgeschwindigkeit verschiedene komplexe Funktionen ausführen, die computergestützte neuronale Netzwerke implementieren können, und wird Anwendungen in der volloptischen Bildanalyse, Feature-Erkennung und Objektklassifizierung finden, die auch neue Kameradesigns und optische Komponenten ermöglichen, die mit D2NNs einzigartige Aufgaben erfüllen.”

Der Zweck dieser Forschung

Das Team nutzte sein einzigartiges Lernmodell, um Zahlen zu erkennen, die von Hand geschrieben wurden, und wandelte anschließend die Matrizenmathematik in eine Datenreihe um, die sich auf “optische Transformationen” bezieht. Jede Schicht trägt dazu bei, diese Daten mit Hilfe von Licht zu erzeugen, neu zu fokussieren und Werte hinzuzufügen. Dabei handelt es sich um Millionen von optischen Transformationen auf den 3D-Druckplatten, wobei das System Licht in numerische Werte übersetzt; die Forscher berichten sogar, dass sie mit den 3D-gedruckten D2NNs eine Erfolgsquote von 90 Prozent haben.

Das Verfahren wird vom Forschungsteam noch verfeinert, könnte aber aufgrund der Flexibilität solcher Berechnungswerkzeuge in Zukunft für zahlreiche Anwendungen relevant sein. Es kann auch verwendet werden, um Buchstaben anstelle von Zahlen zu lesen, sowie Gesichts- oder andere Arten der physischen Erkennung.