![]()
图1 光谱重构架构。(a)光学重构模块：基于衍射神经网络的光智能光谱仪架构。输入平面光源包含多个空间相干或非相干的光谱带，每个光谱带的幅度在整个平面上均匀分布，并对应于输出平面的一个探测器；(b)电学校正模块：用于光谱校正的电子神经网络的架构。该模块利用浅层、对称的全连接神经网络，具有相同的输入和输出维度。
1. 导读
光谱重构技术，即通过光谱仪等仪器从数据中提取物质的光谱信息，对于深入了解样本的组成、结构和动态至关重要，在遥感、地质学、医学影像和农业等多个领域有着广泛的应用。然而，现有的光谱重构方法通常依赖于笨重的设备或复杂的电子重构算法，这不仅限制了系统的便携性和性能，也增加了成本和复杂性。针对这些问题，近日北京理工大学许廷发教授课题组和清华大学林星助理教授课题组在Nanophotonics发表最新研究，提出了一种新型的全光学光智能光谱仪（OIS），利用衍射神经网络实现高精度的光谱重构，具有低能耗和光速处理的优势(见图1)。仿真实验表明，OIS能够在空间相干和非相干光源下均实现高精度的光谱重构，而无需依赖任何复杂的电子算法。通过与简单的电学校正模块集成，OIS的性能可以得到进一步的提升。进一步地，研究人员在真实世界数据集CAVE上成功进行了光谱重构仿真实验，验证了OIS的鲁棒性和实用性。研究成果为衍射神经网络在光谱交互和感知中的应用提供了重要支撑，同时也推动了光子计算和机器学习领域的进一步发展。2. 研究背景
光谱重构技术是现代科学研究和应用中的核心技术。通过光谱仪等设备获取和分析光谱数据，科学家们可以深入了解样本的组成、结构和动态变化。在遥感领域，光谱重构技术用于地表和大气监测，分析不同波长的光谱信息，识别和监测各种地物和环境变化；在地质学中，光谱重构帮助识别矿物和岩石的成分，为资源勘探和环境保护提供重要数据支持；医学影像利用光谱重构技术分析组织和细胞成分，有助于疾病的早期诊断和治疗评估；农业中，通过分析植物光谱信息，监测作物健康状态和预测产量，提高农业生产效率和效益。总之，光谱重构技术在科学研究和应用中至关重要，推动了多个领域的发展。尽管光谱重构技术应用广泛，但现有系统存在诸多问题和挑战。传统光谱重构系统结构复杂、笨重，需要多个光学元件，限制了系统的便携性和灵活性，并增加了制造和维护成本。此外，现有方法依赖复杂的电子计算和数据处理过程，不仅耗时耗力，还需要高能耗的电子设备，难以满足实时处理和高效分析的需求。3. 创新研究
针对上述挑战，研究人员提出了一种新型的全光学光智能光谱仪（OIS），基于衍射神经网络实现了空间相干或非相干多光谱输入光源的光谱重构。衍射神经网络利用光学系统的并行处理能力和高带宽特性，显著降低数据处理、机器学习和实时分析任务的能耗和延迟。通过光学衍射元件对光信号进行处理和计算，所构建的OIS能够以光速实现高效光谱重构，从而突破传统光谱重构技术的瓶颈。OIS将输入光源的光谱幅度转换为输出平面上的探测强度，每个探测器对应一个特定的光谱带。通过建立输入与输出之间的映射关系，并采用两种类型的均方误差（MSE）损失函数来优化调制层的相位，OIS实现了高对比度的输出强度分布，同时确保重构出准确的输入光谱。实验结果表明，OIS在空间相干输入样本的光谱重构方面表现出色，即使在孔径大小变化的情况下，也能实现高质量的重构（见图2）。此外，通过在输入平面引入随机相位，基于强度叠加原理，计算多次前向传播过程中的输出光强度分布的平均值，研究人员模拟了空间非相干输入的过程，并验证了OIS在这种情况下的光谱重构能力（见图3）。为了进一步提高重构质量，研究人员设计了一个简单但有效的电学校正模块，即3层电学全连接网络，进一步提高了重构的精度，并在真实世界数据集CAVE上成功进行了光谱重构，证明了所提出架构的泛化能力和适用性（见图4）。![]()
图2 无电学校正的OIS空间相干光谱重构，光谱分辨率为10nm。左图：十个随机生成光谱波段的光谱幅度分布及光谱重构结果。右图：输出平面的强度分布。
![]()
图3 无电学校正的OIS空间非相干光谱重构，光谱分辨率为10nm。左图：十个随机生成光谱波段的光谱幅度分布及光谱重构结果。右图：输出平面的强度分布。
![]()
图4 在真实世界数据库CAVE中使用具有电学校正的OIS空间非相干光谱重构，光谱分辨率为10nm。在“chart_and_stuffed_toy”样本中，随机选择了三个像素，展示了光学重构和电学校正的结果。
4. 应用与展望
研究人员所提出的基于衍射神经网络的全光学光智能光谱仪（OIS），攻克了传统光谱重建架构的长期难题，包括：(1) 体积庞大的光学组件，(2) 程序复杂的电子重建算法，以及 (3)有限的灵活性，在遥感、地质学、医学影像和农业等多个领域都有着广泛的应用前景。而且，该系统可以作为阵列化布局的基本单元，为全光速、高质量的光谱成像奠定了基础。该研究不仅为光谱重构领域提供了一种新颖的方法，也进一步推动了光子计算和机器学习领域的发展。该研究成果以“Opto-intelligence
Spectrometer using Diffractive Neural Networks”为题在线发表在Nanophotonics。该论文的完成单位为北京理工大学光电学院和清华大学电子工程系，北京理工大学研究生王泽和清华大学博士后陈航为共同第一作者，北京理工大学李佳男助理教授、许廷发教授和清华大学林星助理教授为共同通讯作者。清华大学研究生赵泽佳、段正阳和高升为该论文的合作作者。
