一项突破性的科研成果将卷积神经网络的概念引入光学领域，为人工智能成像技术带来了进展。
记者6月17日获悉，由上海理工大学智能科技学院张启明教授，智能科技学院、张江实验室光计算所顾敏院士领衔的研究团队，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、清晰的成像。这不仅是对传统光学成像技术的一次颠覆，更是卷积网络在人工智能中应用潜力的一次展示。
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(Memory-less scattering imaging with ultrafast convolutional optical neural networks)”为题发表于《科学》(Science)子刊《科学进展》（Science Advances）上，智能科技学院张雨超特聘研究员为第一作者，顾敏院士和张启明教授为共同通讯作者。
CNN作为目前为止应用最为广泛的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Wiesel于1981年所提出，并获得了诺贝尔奖。卷积操作作为CNN中的核心，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，极大地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。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。
这项技术的关键在于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（1.57 Peta operations per second, POPS），为实时动态成像提供了强大的支持。
此技术另一大亮点是其多任务处理能力。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，如分类、重建等，在光学人工智能领域尚属首次。张启明提到：“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。”
这项技术不仅是对卷积神经网络在光学领域的一次成功移植，更是对人工智能成像技术的一次重大推动。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将发挥更加重要的作用，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。”
