可解释光学信息流神经网络

《Engineering Applications of Artificial Intelligence》：Explainable optical information flow neural network

　　

远程材料类型识别在工业生产、非接触检测及质量控制中具有重要价值。然而，依赖硬件偏振片的传统方法存在光强损失和成本较高的问题，而缺乏物理约束的现有深度学习方案则面临计算复杂度高和可解释性不足的挑战。为此，研究人员提出了一种用于远程材料识别的可解释光学信息流神经网络（Optical Information Flow Neural Network, OIFNN）。从人工智能角度，该网络将光学物理公式直接嵌入神经架构，以透明物理定律替代标准不透明近似，从而减少参数冗余并增强模型可解释性。在工程应用层面，研究人员设计了两类具体模型——偏振光学网络和折射率引导模型，用于从普通强度图像中反演复杂光学属性。实验结果表明，该方法在性能上达到或超过包括标准卷积神经网络和生成对抗网络在内的最先进基线，同时将训练时间缩短约50%。该研究不仅为材料识别提供了高效解决方案，也为光学物理与人工智能在感知系统中的融合建立了新范式。

本研究发表于《Engineering Applications of Artificial Intelligence》，针对远程材料识别在非接触检测中的需求展开。传统偏振成像依赖硬件偏振片，导致平均50%的光强损失并限制红外探测距离，同时集成化光学系统改造难度大、成本高。基于深度学习的光学参数反演虽可减少硬件依赖，但传统深度神经网络因“黑箱”特性缺乏物理可解释性，且参数量大、计算复杂，在有限数据或分布偏移场景下稳定性不足。为此，研究人员提出光学信息流神经网络（OIFNN）框架，将经典光学理论（斯托克斯参数、穆勒矩阵、菲涅耳方程）直接编码至网络结构中，形成沿光传播路径的“光学元件”序列，实现物理规律在前向传播中的硬约束。

关键技术方法包括：1）构建光学公式嵌入机制，将输入与输出的光学状态参数映射为网络节点运算；2）设计两类应用模型——偏振光学网络（含纯偏振网络、输入/输出光变换网络、双边变换网络）与折射率引导模型（含前向、反向及双向循环模型），并引入自训练与参考训练机制；3）在公开及自建材料样本数据集上进行性能验证，对比对象包括U-Net、CycleGAN及标准卷积神经网络。

研究结果如下：

Construction of the optical information flow neural network

研究人员通过嵌入光学公式构建网络，将输出光学状态参数定义为物理公式的函数，输入参数可由光学状态参数映射层或光学器件层内的子网络生成，实现光学物理与网络结构的统一。

Core concept of the optical information flow neural network

提出OIFNN的核心概念，区别于传统物理信息神经网络（Physics-Informed Neural Networks, PINNs）的软约束方式，OIFNN采用硬编码方式将穆勒矩阵、菲涅耳方程等光学规律作为前向计算节点，保证特征演化严格遵循光学物理过程。

Discussion

实验表明，偏振光学网络仅用15%–20%的训练时间即可达到与传统深度学习模型相当的性能；折射率引导模型在数据有限条件下仍保持较高预测稳定性，验证了物理嵌入对减少参数、提升效率的作用。

Conclusion

研究证实，OIFNN通过将显式光学公式集成到网络架构中，有效降低了计算复杂度、增强了可解释性并提高了预测稳定性，为光学领域的物理驱动智能感知提供了新的技术路径。

CRediT authorship contribution statement

Xunman Xiao负责初稿撰写、方法与概念设计；Yanbing Lin参与综述编辑、软件开发、项目管理与方法实施；Chao Lian负责监督指导；Zhiyou Guan与Haofu Ji承担调研工作；Fhiangyin Lu与Weiyi Zhao提供资源支持；Bin Yan完成验证工作；Lianjiang Li与Yuliang Zhao统筹项目资源与管理。

Declaration of competing interest

作者声明无已知可能影响本研究的竞争性经济利益或个人关系。