使用光进行计算可能会提供更低的延迟和更低的功耗，这得益于光学系统的并行性。例如，单个光学处理器可以同时执行许多不同的计算任务，例如许多不同变换的并行计算，这对于许多应用都是有价值的，包括基于机器学习的推理的加速。

发表在《高级光子学》上的一篇新研究论文证明了采用波长复用方案进行大规模并行光学计算的可行性。在他们的出版物中，加利福尼亚大学洛杉矶分校（UCLA）的研究人员报道了一种波长复用衍射光学处理器，该处理器能够通过不同的波长通道同时计算数百种不同的复值线性变换。

该衍射光学处理器使用深度学习工具设计，由无源透射材料制成的结构化衍射表面组成。在该光学处理器中，预先确定的一组离散波长对输入和输出信息进行编码。每个波长专用于唯一的目标函数或复值线性变换。在基于深度学习的设计阶段之后，可以使用3D打印或光刻技术制造该处理器，然后将其组装成物理上形成光学处理器，该光学处理器可以同时在其输入和输出之间执行大量目标转换。

这些目标变换可以专门分配给不同的功能，包括例如图像分类、分割、加密和重建，或者它们可以专用于计算神经网络中的不同卷积滤波器操作或完全连接的层。通过这种独特的波长复用设计，所有这些线性变换或期望的函数都以光速同时执行，其中每个期望的函数被分配给唯一的波长，从而允许宽带光学处理器以极高的吞吐量和并行性进行计算。

这种宽带衍射处理器设计不需要任何波长选择元件，例如光谱或滤色器，并且与具有不同色散特性的广泛材料兼容。加州大学洛杉矶分校的研究人员认为，该平台及其基础概念可用于开发高性能光学处理器，该处理器可在电磁光谱的不同部分工作，包括可见光和红外波长。

此外，由于其直接处理输入光谱信息的能力，所报告的框架还将启发多色和高光谱机器视觉系统的开发，该系统基于输入对象的空间和光谱信息执行统计推断，这可能在生物医学成像和传感中找到应用，用于具有独特光谱特征的物质的检测和特定成像。