Preview |
PDF, English
Download (46MB) | Lizenz: ![]() |
Abstract
Machine learning has emerged as a powerful tool for solving complex problems in various fields, including optics. The scalability of compute resources and energy consumption for larger AI models is, however, a major concern. Optics can be used to implement matrix-vector-multiplications, essential for neural networks, in an energy-efficient manner. However, optical non-linearities are difficult to implement with traditional optical methods. This work demonstrates an optoelectronic device that implements an optical MVM and an electronic non-linearity without the need for high intensities. The device operation is experimentally demonstrated and a scaled-up version is proposed that demonstrates an order of magnitude higher energy efficiency when compared to conventional hardware. In addition to improving ML implementations with optics, ML can be used to solve problems in optics, including in holography. Conventional holography uses a phase hologram to generate a target intensity pattern upon diffraction. A novel alternative is introduced: holography using only polarization. Conventional phase retrieval algorithms are insufficient to optimize such a hologram. This work demonstrates the use of gradient based optimization of neural networks incorporating a differentiable numerical model of polarized light propagation to optimize for a target intensity distribution as well as the joint optimization for a target intensity and polarization distribution post diffraction.
Translation of abstract (German)
Maschinelles Lernen (ML) hat sich als leistungsstarkes Werkzeug zur Lösung komplexer Probleme in verschiedenen Bereichen, u. a. in der Optik, etabliert. Die Skalierbarkeit von Rechenressourcen und der Energieverbrauch größerer KI-Modelle stellen allerdings ein erhebliches Problem dar. Optische Systeme können zur energieeffizienten Implementierung von Matrix-Vektor-Multiplikationen, die für neuronale Netze essenziell sind, eingesetzt werden. Allerdings ist es schwierig, optische Nichtlinearitäten zu implementieren. Diese Arbeit beschreibt ein optoelektronisches Bauelement, das eine optische Matrix-Vektor-Multiplikation und eine elektronische Nichtlinearität bei niedrigen Lichtintensitäten implementiert. Die Funktion des Bauelements wird experimentell gezeigt, und es wird eine mögliche Hochskalierung vorgestellt, die die Energieeffizienz im Vergleich zu konventioneller Hardware um eine Größenordnung verbessert. Optik kann ML-Implementierungen verbessern, und Maschinelles Lernen kann wiederum zur Lösung von Problemen in der Optik, beispielsweise in der Holographie, eingesetzt werden. Typischerweise verwendet die Holographie ein Phasenhologramm, um nach der Beugung das gewünschte Intensitätsmuster zu erzeugen. Als neuartige Alternative wird die Holographie mittels reiner Polarisationshologramme vorgestellt. Konventionelle Phasenrekonstruktionsalgorithmen sind jedoch unzureichend für die Optimierung solcher Hologramme. Diese Arbeit demonstriert die Anwendung gradienten-basierter Optimierung neuronaler Netze. Diese Netze beinhalten ein differenzierbares numerisches Modell der Ausbreitung polarisierten Lichts und dienen der Optimierung einer Intensitätsverteilung sowie der gemeinsamen Optimierung einer Zielintensitäts- und Polarisationsverteilung nach der Beugung.
Document type: | Dissertation |
---|---|
Supervisor: | Fischer, Prof. Dr. Peer |
Place of Publication: | Heidelberg |
Date of thesis defense: | 25 July 2025 |
Date Deposited: | 07 Aug 2025 12:44 |
Date: | 2025 |
Faculties / Institutes: | The Faculty of Physics and Astronomy > Dekanat der Fakultät für Physik und Astronomie Fakultät für Ingenieurwissenschaften > Institute for Molecular Systems Engineering and Advanced Materials |
DDC-classification: | 500 Natural sciences and mathematics 530 Physics 600 Technology (Applied sciences) |
Controlled Keywords: | Maschinelles Lernen, Optik, Holografie, Polarisation, Wellenfront |