این ماشین با استفاده از شبکه های نورونی مصنوعی، در بسیاری از علوم منجر به پیشرفت های زیادی شده است. بعنوان مثال فرآیند طبیعی آموزش زبان انگلیسی. در فرآیند عکس گرفتن، deep learning پتانسیل خوبی برای شناسایی خودکار و برچسب زنی ویژگی های جالب مانند نواحی غیرعادی در عکس های پزشکی دارد.
محققان UCLA نوآوری از deep learning به نمایش گذاشته اند که عمق تصویربرداری یک هولوگرام را به طور قابل توجهی گسترش می دهد. در هولوگرافی، بازسازی تصویر نیاز به انجام زوم خودکار و بازیابی فاز دارد که به طور کلی سنگین و نیازمند زمان است تا در حجم بالای نمونه عمل کند. در مقاله ای که اخیرا در مجله Optica، مجله انجمن اپتیکا آمریکا، چاپ شده است که در آن توسط محققان UCLA هدف جدیدی را مشخص کرده اند به نامHIDEF که زوم و بهبود فاز را همزمان انجام می دهد تا حدی که عمق تصویر و سرعت بازسازی را نشان می دهد.
این تحقیق توسط دکتر Aydogan Ozcan پروفسور کامپیوتر و الکترونیک دانشگاه UCLA و پروفسور HHMI از موسسه پزشکی Howard Hughes Institute و Yichen Wu فارغ التحصیل و دکتر Yair Rivenson محقق فوق دکترا ( هردو از دانشگاه UCL انجام شد.
نویسندگان اعتبار این رویکرد مبتنی بر یادگیری عمیق را با موفقیت بازسازی هولوگرام از آئروسل ها و نمونه های بافت انسان تائید کرده اند. در مجموع، این روش به طور قابل توجهی کارایی محاسباتی و سرعت بازپخش تصویربرداری هولوگرافی با وضوح بالا را با به کارگیری همزمان زوم اتوماتیک و بازیابی فاز به میزان قابل توجهی افزایش می دهد، که همچنین باعث افزایش استحکام فرآیند بازسازی تصویر به ناپیوستگی بالقوه در تنظیم نوری با گسترش عمق تصاویر بازسازی شده است.