機器學習領域發展最快的一環，深度學習（Deep learning）為我們帶來許多技術進步，不論圖像分析、語音辨識或語言翻譯都有成功應用，但許多人都相信深度學習的潛力不僅於此。加州大學洛杉磯分校（UCLA）的研究團隊近日便介紹一種從物理機制改變深度學習的特殊概念，未來或有望讓相關應用更進一步發展。
由 UCLA 電腦工程教授 Aydogan Ozcan 帶領的團隊捨棄了傳統使用的電腦設備，反而選擇運用全光學物理機制來建立神經網路架構，這個概念團隊稱為「全光學繞射深度神經網路」（all-optical Diffractive Deep Neural Network, D2NN）。
以現今情況來說，由於深度學習是在電腦運行的系統，不論圖像識別或文字辨識，應用的設備都必須配合鏡頭或光學感測器來辨識物體，為了讓電腦理解，這些看見的內容還得整理成數據給電腦讀取，接著系統還得透過數據表示方法及抽象化（Abstraction）搞懂內容後才能執行任務。
相較之下，運用全光學的 D2NN 不需要額外的高級電腦程式來處理目標圖像，或是判斷光學感測器捕捉到的內容究竟是什麼，而也因只需仰賴光學繞射運作，D2NN 並不需要任何額外耗能便可執行任務。
從外觀看起來，D2NN 是由數個 8 平方公分大小的晶圓組成，每個運用 3D 列印製作的半透明晶圓上都有數萬個凸起像素，透過每個晶圓複雜的像素組合將光線偏折，D2NN 能執行圖像分析、特徵檢測和對象分類等應用──當然，是以貨真價實的「光速」在執行任務。
如果用領導研究的 Ozcan 教授的話來解釋，D2NN 就是「逐層製造的被動元件透過光學繞射互相連結，創造出獨特全光學平台，能夠運用光速執行機器學習任務。」
透過使用兆赫茲頻率的光源實際測試 3D 列印出的設計，團隊在手寫數字、時尚產品的圖像分類證實了這套系統的可行性，團隊相信 D2NN 未來有望協助開發出全新應用概念的相機，以及可學習特定任務的光學元件。
由於 D2NN 的組件都可用 3D 列印生產，未來晶圓大小與層數都還能再往上提升，而這些更大的系統也可用來處理更複雜的數據及圖像分析，同時成本還非常便宜──根據 UCLA 報導指出，研究團隊創造的 D2NN 設備只需不到 50 美元就能複製。
雖然以目前來說，D2NN 還只是一種概念證明，但這確實替機器學習未來的應用開創了獨特機會，研究論文已經刊登在《科學》（Science）期刊。
- 3D-printed artificial intelligence running at the speed of light—from object classification to optical component design
- 3D-printed Deep Learning neural network uses light instead of electrons
（圖片來源：Ozcan Research Group/UCLA）
