盖世汽车讯 卷积神经网络（Convolutional Neural Networks, CNN）具有卓越的图像识别能力，在人工智能领域，尤其是ChatGPT等平台上表现突出。据外媒报道，中国上海理工大学（University of Shanghai for Science and Technology）的研究团队成功将CNN的概念引入光学领域，并实现了卷积全光神经网络，为人工智能成像技术带来革命性进步。

图片来源：上海理工大学

由上海理工大学智能科技学院（School of Artificial Intelligence Science and Technology，SAIST）顾敏教授和张启明教授带领的研究团队开发出一种超快速卷积光学神经网络（ONN），该技术可在不依赖光学记忆效应的情况下实现对散射介质后的物体进行高效、清晰的成像。

这一研究成果已发表在期刊《科学进展》（Science Advances）上，论文题为“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.）”

卷积操作作为CNN的核心，通过提取图像中的局部特征并逐层构建更为复杂和抽象的特征表示，极大地推进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。

该研究团队巧妙地设计了一种全光学解决方案，可直接在光域中执行卷积网络运算，从而省去繁琐的信号转换过程，实现真正的光计算速度。

这项研究的关键是构建一个多阶段的卷积网络，由多个能够以光速工作的并行核心组成，可直接从散射光中提取特征，实现图像的快速重建。

这一过程不仅大大提高了成像速度，而且显著提高了成像质量，使得在复杂散射环境中的成像成为可能。此外，卷积ONN的计算速度达到每秒1570万亿次操作（1.57 Peta operations per second, POPS），为实时动态成像提供强大的支持。

这项研究的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，同一卷积ONN可以同时执行多种不同的图像处理任务，如分类、重建等，这在光学人工智能领域尚属首次。

张启明教授指出：“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。”这项研究的问世不仅是卷积神经网络在光学领域的成功移植，更是对人工智能成像技术的重大推动。

顾敏教授表示：“在不久的将来，卷积光学神经网络将在自动驾驶、机器人视觉和医学成像等方面发挥越来越重要的作用。”