菲涅尔衍射神经网络：复旦团队的光学AI计算框架开源复现

复旦大学资剑、石磊团队提出的菲涅尔衍射神经网络（Fresnel DNN）开源PyTorch复现项目由yeungmkw维护，支持单层MNIST分类（准确率97.08%）和双层灰度图像分类，为光学神经网络研究提供可复用的仿真与训练框架。项目来源为GitHub（链接：https://github.com/yeungmkw/fresnel-dnn-repro），基于团队发表在《Photonics Research》的2022和2024年论文。

传统神经网络依赖电子计算，而衍射神经网络（DNN）利用光波传播干涉实现计算，由UCLA团队2018年提出。早期DNN面临菲涅尔数约束瓶颈：菲涅尔数描述近远场效应强弱，过高/过低影响网络表达能力。复旦团队通过主动控制菲涅尔数优化性能，提升单层MNIST分类准确率至97.08%，并拓展双层结构处理灰度图像。

光学配置

利用角谱传播模拟光传播（比夫琅禾费衍射更精确），输入图像编码为光的振幅/相位，经相位掩模调制后在探测器平面形成光强分布，最高光强区域对应预测类别。

菲涅尔数控制

公式F=a²/(λ×z)（a孔径尺寸、λ波长、z传播距离），调控传播距离和编码方式改善收敛性，单层MNIST在515nm波长下准确率97.08%。

双层结构扩展

2024年研究引入DMD+SLM组合架构，处理复杂灰度图像：DMD将输入转为PWM光脉冲，经两层相位掩模传播至探测器。双层架构MNIST准确率95.10%，Fashion-MNIST达80.61%。

代码设计

采用透明复现策略，标注未指定细节，依赖Python3.12、uv、PyTorch，模块化组件包括config（参数管理）、data（数据预处理）、optics（光学计算）、model（模型定义）等。

角谱传播实现

用PyTorch复数张量表示光场，支持自动微分端到端训练，简化相位掩模优化。

损失与训练

组合稀疏交叉熵（SCE）和均方误差（MSE）损失，约束相位值在0-2π，支持SGD/Adam优化器及学习率调度。

1. 探测器布局：原始论文未公布精确坐标，代码中方形网格布局为合理假设；2. 空间目标构造：论文未说明SCE+MSE损失的空间分布细节，复现需额外假设；3. 物理仿真边界：未建模硬件校准、对准误差和噪声，仿真与真实实验存在差距。项目坦诚报告这些局限，保障科研可靠性。

能效优势

推理过程通过光传播完成，无需耗电矩阵运算，能效比电子芯片高数个数量级，适用于边缘计算等低功耗场景。

教育价值

项目为计算光学/光学AI领域提供科研方法论教材，展示复现流程与透明性。

未来方向

探测器布局优化、多波长扩展、物理校准集成、应用于目标检测等复杂任务。

复旦团队的研究是光学AI计算领域重要进展，开源复现项目让成果更触手可及。尽管复现有局限，但坦诚面对的态度是科学进步的基石。期待更多研究者参与，推动衍射神经网络从实验室走向实际应用。