研究人员发现实施起来更简单的相位编码与数据重复策略在各种测试数据集上均可实现相似的准确性。虽然基于数据重复的衍射模块不能提供与传统数字神经网络中使用的全连接层或卷积层类似的光学功能，但它们能有效提高推理的准确性。这项研究有助于深入了解在视觉信息处理器中基于线性材料的衍射系统与非线性编码策略之间的相互作用。
由 Aydogan Ozcan 教授领导的加州大学洛杉矶分校研究团队评估了各种非线性编码策略在不同数据集上的表现，以衡量其推断性能。他们的研究结果表明，衍射光学处理器内的数据重复方法虽然可以提高推理的准确性，但却损失了衍射光学处理器的通用线性变换能力。因此，基于数据重复的衍射模块不能作为数字神经网络中常用的全连接层或卷积层的光学类比。更通俗地说，基于数据重复的衍射处理器可被视为一些神经网络架构中使用的动态卷积核概念的光学简化。尽管衍射光学处理器中的数据重复架构具有不同的特点，但它仍能有效地完成推理任务，并在抗噪声方面具有优势。作为一种替代方法，相位编码无需重复数据，提供了一种更易于实施的非线性编码策略，并可实现可比的推断精度。相位编码通过空间光调制器或纯相位物体可以直接实现，因其简单有效而成为一种实用的替代方法。此外，无数据重复的衍射处理器不需要通过数字系统对输入信息进行预处理，而这正是数据重复编码所需要的。因此，数据重复可能较为耗时，尤其是对于纯相位的输入物体，因为在数据重复之前需要进行数字相位恢复和预处理。
