RESEARCH ARTICLE

Hybrid structure for enhancing robustness in optical diffractive neural networks without vaccination training    

Haodong Zhu, Ruiqi Yin, Rui Xia, Minglong Li, Zhengyu Chen, Zhenyu Yang, Ming Zhao

2026, 19 (2): 12.https://doi.org/10.2738/foe.2026.0012

Abstract

The optical diffractive neural network (ODNN), based on the free-space propagation of light waves, exhibits significant ad-vantages, including ultra-high speed, low power consumption, and parallel computation. However, this technology faces challenges in practical applications, particularly concerning fabrication and alignment accuracy, with stringent requirements on manufacturing processes. In this paper, a class of hybrid optical diffractive neural networks (H-ODNNs) is designed by constructing continuous passive phase modulation layers using diffraction neurons of varying sizes. Three representative tasks (digit recognition, image processing, and wavelength multiplexing) substantiate its superior performance in enhancing robustness. Compared with network with vaccination (a common method for enhancing robustness), the H-ODNN does not need vaccination training, the average training time is reduced by approximately 50%, and even achieves superior performance. Additionally, the larger size of some diffraction neurons, the H-ODNN reduces the complexity of fabrication and improves manufacturing yield. This work provides a new concept for the design of ODNN.

一、研究背景

光学衍射神经网络（ODNN）基于自由空间光波衍射实现计算，具有超高速、低功耗、并行处理等优势。但随着工作波长进入可见光波段、衍射神经元缩小至~500 nm，ODNN对制造和装配误差极度敏感，且传统固定尺寸设计下小神经元高精度与强鲁棒性相互制约。现有"疫苗接种"训练方法（注入误差训练）虽可提升鲁棒性，却导致训练时间长、依赖特定误差条件、网络整体性能下降。因此，亟需一种无需疫苗接种训练即可兼顾精度与鲁棒性的新设计方法。

二、主要内容

受计算机神经网络中隐藏层可变神经元数的启发，该研究提出混合结构ODNN（H-ODNN），在衍射层中采用不同尺寸神经元，从物理机制上证明大尺寸神经元可抑制横向和轴向装配误差的影响。研究通过手写数字识别、运动模糊图像去噪和双波长分类三个任务，评估了20种网络构型（18种混合结构、1种传统结构、1种疫苗接种结构）的鲁棒性。在数字识别任务中，H-ODNN在理想情况下分类精度为90.33%，显著优于疫苗接种网络的81.75%，当存在横向和轴向错位时，H-ODNN分类精度的平均下降率虽高于"疫苗接种"训练情况，但训练时间可缩短24.5%，且下降率低于传统情况。图像去噪和波长分类任务中训练时间分别缩短73.3%和56.9%，且H-ODNN在各种误差条件下性能均持续优于疫苗接种网络。三个任务平均训练时间减少约50%，同时大尺寸神经元降低了加工复杂度，提升了制造良率。

三、创新点

（1）首次提出混合结构光学衍射神经网络（H-ODNN）的概念，通过在衍射层中引入不同尺寸的神经元，打破传统ODNN中理想性能与鲁棒性之间的固有矛盾，实现了二者在单一网络中的协同优化。

（2）从物理机制上推导并证明了增大神经元尺寸对横向和轴向装配误差的抑制作用，为混合结构提升鲁棒性提供了严格的理论支撑。

（3）在三类代表性光学计算任务中全面验证了H-ODNN的优越性：无需疫苗接种训练即可达到甚至超越疫苗接种网络的鲁棒性，同时训练时间平均缩短约50%，为ODNN的工程化制造和实用化部署提供了新思路。

四、总结与展望

该研究提出的H-ODNN混合结构设计为同时提升ODNN的精度、鲁棒性和制造可行性提供了统一解决方案，避免了疫苗接种训练对特定误差条件的依赖和额外的训练开销。这一设计理念可推广至任意多层衍射结构，在可见光波段衍射网络面临最严峻尺寸限制的场景中具有尤为重要的应用价值。后续研究可进一步探索不同层间混合结构的优化组合策略，并推动H-ODNN在集成光子芯片上的实验验证与物理实现。

（以上文字包含AI生成内容，仅供参考，请以原文为准。）

支持单位：