使用3D打印机，加州大学洛杉矶分校电气和计算机工程师团队创建了一个基于人工智能（AI）的设备，可以分析大量数据并以光速识别物体。深度学习是机器学习领域中发展最快的机器学习方法之一，通常用于医学图像分析，语言翻译，图像分类，语音识别以及解决更具体的任务，例如解决逆成像问题。

传统上，深度学习系统被实现为在计算机上执行以数字化学习数据表示，并执行与人类性能相当或甚至更好的高级任务。然而，由加州大学洛杉矶分校电气和计算机工程教授Aydogan Ozcan博士领导的团队引入了一种物理机制，使用全光学衍射深度神经网络（D2NN）实现深度学习。该光学人工神经网络设备直观地模拟大脑如何处理信息。它使用从对象本身反射的光来在很短的时间内识别该对象，这是计算机简单地“看到”对象所需的时间。

创建人工神经网络的过程始于计算机模拟设计。然后，研究人员使用3D打印机制作了非常薄的8厘米见方的聚合物晶圆。每个晶片具有不平坦的表面，这有助于在不同方向上衍射来自物体的光。这些层看起来对眼睛是不透明的，但实验中使用的亚毫米波长太赫兹频率的光可以穿过它们。每层由数万个人造神经元组成，在这种情况下，光是能穿过微小像素的。一系列像素化层一起用作“光学网络”，其形成来自物体的入射光穿过它们，然后网络识别对象，因为来自对象的光主要被衍射到分配给该类型对象的单个像素。

研究人员使用计算机对网络进行训练，通过学习每个物体在该物体发出的光线穿过设备时产生的衍射光图案来识别其前面的物体。 “训练”使用了一种称为深度学习的人工智能分支，其中机器通过重复和随着时间的推移“学习”模式出现。

在他们的实验中，研究人员证明该装置可以准确识别手写的数字和衣物，这两种都是人工智能研究中常用的测试。它还可以在太赫兹光谱上执行成像镜头的功能。加州大学洛杉矶分校的研究人员认为，基于该设备的新技术可用于加速涉及排序和识别物体的数据密集型任务。例如，使用该技术的无人驾驶汽车可以立即做出反应，甚至比使用现有技术更快，对停车标志做出反应。使用基于UCLA系统的设备，一旦来自标志的光击中它，汽车将“读取”标志，而不是必须“等待”汽车的相机对物体成像然后使用其计算机来找出对象是什么。基于本发明的技术还可以用于显微成像和医学，例如，用于分选数百万个细胞以寻找疾病的迹象。

由于其组件可以由3D打印机创建，因此人工神经网络可以用更大和更多的层制作，从而产生具有数亿个人造神经元的设备。那些更大的设备可以同时识别更多的对象或执行更复杂的数据分析。并且组件可以廉价制作， 由加州大学洛杉矶分校团队创建的设备可以低于50美元。