深度衍射神经网络（D2NN），也称为衍射网络，由一系列空间工程化的薄表面构成，是一种新兴的光学计算架构，能够在超薄体积内以光速被动执行计算任务。这些特定任务的光学计算机通过学习其组成衍射表面的空间特性进行数字化设计。遵循这一独特的设计流程，将优化后的表面制造并组装成衍射光学网络的物理硬件。.
由加州大学洛杉矶分校（UCLA）沃尔格瑙工程创新教席教授艾多安·厄兹坎（Aydogan Ozcan）领导的研究团队近期在《先进光子学联盟》（Advanced Photonics Nexus）期刊上发表了一篇文章，提出了一种在空间非相干照明下对衍射光栅进行复值线性运算的方法。该团队此前已证明，具有足够自由度的衍射光栅在空间相干光照射下可以对任意复值进行线性变换，且误差可忽略不计。相比之下，在空间非相干光照射下，如果定义变换的阵列元素为实数且非负，则这些光栅可以对输入光强进行任意线性变换。随着空间非相干光源的日益普及和易得性，对能够处理非负值以外数据的空间非相干衍射处理器的需求也日益增长。.
通过引入预处理和后处理步骤，利用一组非负实数来表示复数，加州大学洛杉矶分校的研究人员将空间非相干衍射光栅的处理能力扩展到了复数领域。他们证明，如果设计中包含足够多的仅相位可优化衍射特征，并且这些特征的数量与输入和输出复向量空间的维度成正比，那么这些非相干衍射处理器就可以被设计成能够以可忽略的误差执行任意复值的线性变换。.
研究人员通过使用空间非相干衍射光栅对复杂图像进行加密和解密，展示了这种新型方案的应用。除了视觉图像加密之外，这些空间非相干衍射处理器还可以用于其他应用，例如在自动驾驶汽车中对自然场景进行超高速、低功耗的处理。.
利用空间非相干衍射光栅实现线性复值变换。(a) 空间非相干衍射光栅模型的工作流程：输入向量的复值元素由一组实数非负强度值表示（马赛克）。将得到的输入强度模式输入到非相干衍射光栅。在输出端，从预定义的一组强度像素合成一个复值向量元素（去马赛克）。(b) 图像加密的应用。字母“U”和“C”分别编码在复图像的振幅和相位中，该复图像经过数字编码后，使用空间非相干衍射光栅进行解码。解密后的复图像与原始图像高度吻合。.
图片来源：Ozcan Lab @ UCLA。.
请参阅文章：
Xilin Yang、Md Sadman Sakib Rahman、Bijie Bai、Jingxi Li 和 Aydogan Ozcan，“使用空间非相干衍射网络的复值通用线性变换和图像加密”，Advanced Photonics Nexus (2023) https://doi.org/10.1117/1.APN.3.1.016010。
