# 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，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了可复用的仿真与训练框架。 - 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo) - 发布时间: 2026-05-30T13:45:16.000Z - 最近活动: 2026-05-30T13:48:50.700Z - 热度: 154.9 - 关键词: 菲涅尔衍射神经网络, 光学神经网络, 计算光学, 复旦大学, 深度学习, PyTorch, 角谱传播, 相位掩模, MNIST分类, 光学AI计算 - 页面链接: https://www.zingnex.cn/forum/thread/ai-b1dd0cc0 - Canonical: https://www.zingnex.cn/forum/thread/ai-b1dd0cc0 - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者**: yeungmkw - **来源平台**: GitHub - **原始标题**: fresnel-dnn-repro - **原始链接**: https://github.com/yeungmkw/fresnel-dnn-repro - **来源发布时间**: 2026-05-30 - **论文来源**: 复旦大学资剑（Jian Zi）、石磊（Lei Shi）研究团队，发表于《Photonics Research》 - 2022年论文: "Optimize performance of a diffractive neural network by controlling the Fresnel number" (DOI: 10.1364/PRJ.474535) - 2024年论文: "Diffractive neural networks with improved expressive power for gray-scale image classification" (DOI: 10.1364/PRJ.513845) --- ## 背景：当光波成为计算介质 传统神经网络依赖电子在硅芯片中的流动完成计算，而衍射神经网络（Diffractive Neural Network, DNN）则开辟了一条截然不同的路径——利用光波本身的传播与干涉特性实现矩阵运算和特征提取。这一概念最早由加州大学洛杉矶分校（UCLA）的Aydogan Ozcan团队于2018年提出，通过3D打印的衍射层结构，让光在自由空间中完成深度学习推理。 然而，早期衍射神经网络面临一个核心瓶颈：菲涅尔数（Fresnel number）的约束。菲涅尔数描述了衍射过程中近场与远场效应的相对强弱，直接影响网络的表达能力和分类精度。当菲涅尔数过高或过低时，光波的衍射模式会发生显著变化，导致网络难以稳定学习有效的特征表示。 复旦大学物理学系资剑教授和石磊教授领导的研究团队针对这一问题提出了创新性解决方案，通过主动控制菲涅尔数优化衍射神经网络的性能。他们的工作不仅将单层MNIST分类准确率提升至97.08%，更进一步拓展到双层结构实现灰度图像分类，为光学AI计算奠定了新的理论基础。 --- ## 菲涅尔衍射神经网络的核心机制 ### 光学配置的物理基础 菲涅尔衍射神经网络的核心在于利用角谱传播（Angular Spectrum Propagation）方法模拟光波在自由空间中的传播行为。与基于夫琅禾费衍射的远场近似不同，菲涅尔衍射模型能够更精确地描述近场和中场区域的波动特性，这对于紧凑型光学计算设备的设计至关重要。 在该框架中，输入图像被编码为光波的振幅或相位分布，经过一层或多层可学习的相位掩模（Phase Mask）调制后，在探测器平面上形成特定的光强分布。每个输出类别对应探测器平面上的一个特定区域，光强最高的区域即为网络预测的类别。 ### 菲涅尔数的控制策略 2022年的论文提出了通过调控菲涅尔数优化网络性能的系统方法。菲涅尔数F定义为： ``` F = a² / (λ × z) ``` 其中a为孔径尺寸，λ为光波长，z为传播距离。研究团队发现，通过精心设计衍射层与探测器之间的传播距离，以及输入图像的编码方式，可以显著改善网络的收敛性和最终分类准确率。 在MNIST数据集上的仿真实验表明，在515纳米波长条件下，单层菲涅尔衍射神经网络达到了97.08%的分类准确率，这一结果超越了传统衍射神经网络在类似条件下的性能表现。 ### 双层结构的灰度图像扩展 2024年的后续研究进一步将菲涅尔衍射神经网络扩展到双层结构，并引入数字微镜器件（DMD）和空间光调制器（SLM）的组合架构。这一设计突破了单层网络仅能处理二值或简单灰度图像的限制，实现了对复杂灰度图像的有效分类。 双层架构的工作流程如下：第一层DMD将输入灰度图像转换为脉冲宽度调制（PWM）编码的光脉冲序列，经过第一层相位掩模衍射后，由SLM进行中间调制，再通过第二层相位掩模传播至探测器平面。这种级联结构显著增强了网络的非线性表达能力。 实验结果显示，该双层架构在MNIST上达到95.10%的准确率，在Fashion-MNIST上达到80.61%的准确率。虽然MNIST上的绝对数值略低于单层版本，但考虑到Fashion-MNIST的复杂程度远超MNIST，这一结果证明了双层结构在处理真实世界灰度图像方面的显著优势。 --- ## 开源复现项目的技术架构 ### 代码库的设计理念 yeungmkw维护的fresnel-dnn-repro项目采用了审慎保守的复现策略：将可复用的仿真、训练和审计代码作为核心模块，同时明确标注论文中未充分指定的细节。这种透明度至上的做法为科研复现工作树立了良好范例。 项目使用Python 3.12和uv工具链进行依赖管理，主要依赖PyTorch实现基于复数张量的角谱传播计算。代码结构模块化清晰，主要组件包括： - **config.py**: 光学配置和论文目标参数管理 - **data.py**: MNIST/Fashion-MNIST数据预处理和编码 utilities - **optics.py**: 菲涅尔传播、相位掩模等核心光学计算 - **model.py**: 单层和双层衍射神经网络模型定义 - **train.py**: 探测器区域损失函数、评估指标和训练循环 - **experiments.py**: 论文配置文件和正式实验CLI入口 ### 角谱传播的实现细节 角谱方法是该代码库的核心物理引擎。与简单的菲涅尔近似公式不同，角谱方法通过傅里叶变换将空间域的光场转换到角频率域，乘以传播相位因子后再逆变换回空间域，从而精确计算任意距离的光场分布。 代码中使用PyTorch的复数张量（complex tensors）表示光场的振幅和相位信息，支持自动微分进行端到端训练。这一设计选择使得相位掩模的参数优化可以直接利用PyTorch的优化器（如SGD、Adam），大幅简化了实现复杂度。 ### 损失函数与训练策略 项目实现了两种损失函数的组合：稀疏交叉熵（Sparse Cross-Entropy, SCE）和均方误差（MSE）。SCE损失引导探测器区域的光强集中在正确的类别区域，而MSE损失则约束非目标区域的光强最小化。通过调节两者的权重比例（如`--sce-weight 1.0 --mse-weight 0.0`），可以灵活控制训练的优化目标。 训练过程中，相位掩模的相位值被约束在0到2π范围内，通过sigmoid或tanh激活函数实现。项目支持不同的优化器选择（SGD、Adam）和学习率调度策略，用户可以通过命令行参数快速实验不同的超参数配置。 --- ## 复现工作的已知局限与科研诚信 ### 探测器布局的不确定性 该项目坦诚地指出了当前复现工作的主要局限：原始论文仅描述了手动选择的探测器区域，但未公布机器可读的精确坐标。代码库中包含的方形网格探测器布局是基于合理假设的推断，而非作者提供的官方配置。 这意味着任何使用该默认布局的实验结果都应被视为"基于假设的复现"，而非对原文的严格验证。这种透明的态度对于科学研究的可靠性至关重要，也为后续研究者指明了改进方向。 ### 空间目标构造的模糊性 2022年论文中提出的SCE+MSE混合损失涉及空间目标（spatial o_gt）的构造，但原文并未完全说明其空间分布细节和缩放比例。这导致复现过程中需要做出额外的合理假设，可能引入与原文的系统性偏差。 ### 物理实验的仿真边界 当前代码库主要聚焦于数值仿真，尚未完整建模DMD/SLM/CMOS的硬件校准、对准误差和噪声特性。这意味着仿真结果与真实物理实验之间仍存在差距，这也是该领域从"概念验证"走向"工程实用"必须跨越的鸿沟。 --- ## 实际应用价值与未来展望 ### 光学计算的能效优势 衍射神经网络最引人注目的优势在于其潜在的能效比。一旦相位掩模被制造（如通过3D打印或光刻技术），推理过程完全通过光传播完成，无需耗电的矩阵乘法运算。这对于边缘计算、物联网设备和需要极低功耗的场景具有革命性意义。 据估算，光学神经网络的能效可比传统电子芯片高出数个数量级，同时保持极高的并行处理能力。复旦团队的菲涅尔优化策略进一步提升了这类系统的实用性能边界。 ### 复现项目的教育价值 fresnel-dnn-repro项目不仅是一个技术实现，更是一份优秀的科研方法论教材。它展示了如何： 1. 系统性地梳理论文中的明确参数和隐含假设 2. 构建模块化的可复用代码框架 3. 诚实地报告复现工作的局限和不确定性 4. 使用版本控制和自动化测试保障代码质量 对于希望进入计算光学或光学AI领域的学生和研究者，该项目提供了一个理想的起点。 ### 未来研究方向 基于当前工作，未来研究可以在以下方向深入探索： - **探测器布局优化**: 使用可学习的探测器掩模替代固定布局 - **多波长扩展**: 探索波长复用提升网络容量的可能性 - **物理校准集成**: 建立从仿真到真实硬件的精确映射流程 - **更复杂任务**: 将菲涅尔DNN应用于目标检测、语义分割等高级视觉任务 --- ## 结语 复旦大学资剑、石磊团队关于菲涅尔衍射神经网络的研究代表了光学AI计算领域的重要进展。yeungmkw的开源复现项目让这一前沿成果变得更加触手可及，也为科研社区提供了宝贵的讨论基础。 尽管当前复现工作仍存在若干不确定性，但正是这种坦诚面对局限的态度，构成了科学进步最可靠的基石。随着更多研究者的参与和迭代，我们有理由期待衍射神经网络从实验室走向实际应用的步伐将不断加速。