Die Genauigkeit beträgt bis zu ~98 %. Die Forschung „KI + Optik“ der Technischen Universität Guangzhou wurde in der Fachzeitschrift Nature veröffentlicht. Deep Learning ermöglicht nicht-orthogonales optisches Multiplexing.

Editor |. X

Beim optischen Multiplexen spielt die Orthogonalität zwischen Kanälen eine entscheidende Rolle. Diese Orthogonalität stellt sicher, dass sich Signale zwischen verschiedenen Kanälen nicht gegenseitig stören und ermöglicht so eine effiziente Datenübertragung. Das optische Multiplexsystem kann mehrere Datenkanäle gleichzeitig übertragen und so die Nutzung optischer Fasern effektiv verbessern. Allerdings setzt ein solches System zwangsläufig auch eine Obergrenze für die Multiplexkapazität voraus.

Hier entwickelt das Schlüssellabor für Synästhesie-Fusion-Photonik-Technologie des Bildungsministeriums der Technischen Universität Guangdong ein nicht-orthogonales Lichtmultiplexing auf Multimode-Fasern (MMF), das auf einem tiefen neuronalen Netzwerk basiert und als Speckle-Lichtfeld bezeichnet wird Retrieval-Netzwerk (Speckle Light Field Retrieval Network, SLRnet), das komplexe Zuordnungsbeziehungen zwischen mehreren nicht orthogonalen Eingabelichtfeldern mit Informationskodierung und ihren entsprechenden Einzelintensitätsausgängen lernen kann.

Durch Prinzipverifizierungsexperimente hat SLRnet das schlecht gestellte Problem des nicht orthogonalen optischen Multiplexings auf MMF erfolgreich gelöst. Es ist in der Lage, einen Single-Shot-Speckle-Ausgang zu nutzen, um mehrere nicht orthogonale Eingangssignale, die durch dieselbe Polarisation, Wellenlänge und räumliche Lage vermittelt werden, mit einer Wiedergabetreue von 98 % eindeutig abzurufen. Diese Forschung ebnet den Weg für die Realisierung eines leistungsstarken optischen Multiplexings unter Verwendung nichtorthogonaler Kanäle und ist ein wichtiger Schritt in Richtung dieses Ziels.

Diese Forschung wird potenzielle Anwendungen in den Bereichen Optik und Photonik fördern und neue Erkenntnisse für die Erforschung breiterer Disziplinen wie Informationswissenschaft und Technologie liefern.

Relevante Forschung trug den Titel „Nicht-orthogonales optisches Multiplexing durch Deep Learning“ und wurde am 21. Februar 2024 in „Nature Communications“ veröffentlicht.

... Kanäle sind eine Voraussetzung für die groß angelegte codierte Informationsübertragung.

Angesichts der Demultiplexierung mehrerer orthogonaler Signale können Übertragungsmatrixverfahren (wie MMF) dieses Problem sogar auf stark streuenden Medien lösen.

In jüngster Zeit wird Deep Learning in den Bereichen Optik und Photonik häufig für das umgekehrte Design optischer Geräte und rechnergestützter Optik eingesetzt. Insbesondere wurden tiefe neuronale Netze verwendet, um die Leistung des orthogonalen Multiplexings auf mehreren Streumedien zu verbessern.

Alle bisher gemeldeten Multiplexing-Szenarien basieren jedoch ausschließlich auf der physischen Orthogonalität zwischen gemultiplexten Kanälen. Es gab keine Versuche, die nichtlinearen Modellierungsfunktionen des Deep Learning zu nutzen, um nicht-orthogonales optisches Multiplexing über MMFs zu erreichen.

Leider ist das Multiplexen nicht orthogonaler Kanäle, die durch dieselbe Polarisation oder Wellenlänge vermittelt werden, selbst in Singlemode-Fasern immer noch eine große Herausforderung, da es an effizienten Demultiplexmethoden mangelt oder die Belastung durch die digitale Signalverarbeitung zu hoch ist. Daher ist die Entwicklung einer neuen Methode zur Dekodierung der in nicht orthogonalen Eingangskanälen kodierten Informationen für ein eventuelles optisches Multiplexing von entscheidender Bedeutung.

Nicht-orthogonales optisches Multiplexing über MMF basierend auf tiefen neuronalen Netzen

Hier zeigen Forscher, dass vorläufiges nicht-orthogonales optisches Multiplexing durch MMF mit Unterstützung von SLRnet erreicht werden kann.

Als Proof-of-Concept-Demonstration können nicht orthogonale Eingabekanäle verwendet werden, um eine gemultiplexte Übertragung von Informationen über MMF zu erreichen, einschließlich allgemeiner natürlicher Szenenbilder, unabhängiger zufälliger Binärdaten und Bilder, die nicht zum gleichen Trainingstyp gehören Datensatz, der für die Realisierung des optischen nicht-orthogonalen Multiplexens von Informationen von Vorteil ist. Durch den Aufbau komplexer Beziehungen zwischen nicht orthogonalen Eingabekanälen und Ausgaben mithilfe datengesteuerter Techniken können trainierte tiefe neuronale Netzwerke die codierten Informationen nicht orthogonaler Kanäle mit nur einer einzigen Ausgabeintensität abrufen. Sogar nicht orthogonale Multiplexkanäle mit derselben Polarisation, derselben Wellenlänge und demselben Eingangsraumbereich können effizient dekodiert werden.

Abbildung 1: Schematische Darstellung des nicht-orthogonalen optischen Multiplexings auf MMF. (Quelle: Papier)

Neuronale Netzwerkarchitektur

Deep

Neuronales Netzwerk

ist in der Lage, nicht orthogonale optische Multiplexsignale aus einem einzelnen Speckle-Ausgang eines MMF abzurufen. Mehrere amplituden- und phasenkodierte Informationen, die durch beliebige Polarisationskombinationen vermittelt werden, können von SLRnet nach der Ausbreitung im MMF effizient abgerufen werden.

Wie in Abbildung 2a dargestellt, kann sogar das typische Szenario nicht orthogonaler Eingangskanäle mit derselben Polarisation, Wellenlänge und demselben Eingangsraumbereich explizit dekodiert werden. Dies wird durch ein tiefes „neuronales Netzwerk“ erreicht, dessen Architektur in Abbildung 2b dargestellt ist. Dabei handelt es sich um eine Variante von Unet, die auf dem einzigartigen Mehrfachstreuungsprozess von MMF basiert. Es besteht aus einer vollständig verbundenen (FC) Schicht und ResUnit.

Abbildung 2: Nicht-orthogonales optisches Multiplexing auf MMF über Deep Learning. (Quelle: Papier)

Experimentelle Ergebnisse

Betrachten Sie zunächst den Fall, in dem die MMF-Länge 1 m beträgt. Abbildung 3a zeigt die Entwicklung der Abruftreue für zwei gemultiplexte Lichtfeldkanäle mit willkürlichen Kombinationen von Polarisationszuständen während des SLRnet-Trainings. Insgesamt ergeben sich vier Kodierungskanäle in der Amplituden- und Phasendimension, die je nach Polarisationszustand nicht orthogonal sein können. Die Abruftreue wurde anhand des Pearson-Korrelationskoeffizienten (PCC) gemessen.

Abbildung 3: Nicht-orthogonale Multiplexing-Leistung mit SLRnet. (Quelle: Papier)

Wie aus der Abbildung ersichtlich ist, beträgt die Entwicklung des PCC, der mit derselben SLRnet-Trainingskonfiguration nach 100 Epochen abgerufen wurde, mehr als 0,97. Gleichzeitig ist die Entwicklung der Abruftreue für die zwölf Multiplexing-Szenarien im Wesentlichen dieselbe, was die hervorragende Robustheit des nicht-orthogonalen Multiplexings gegenüber beliebigen Polarisationskombinationen demonstriert.

Darüber hinaus zeigt Abbildung 3b die Wiedergabetreue, die in jedem Amplituden- und Phasenmultiplexkanal separat unter Verwendung unterschiedlicher Polarisationskombinationen abgerufen wird. Die durchschnittliche Abrufgenauigkeit in den Amplituden- und Phasendimensionen ist nahezu identisch (~0,98), was die Fähigkeit von SLRnet unterstreicht, in mehreren nicht orthogonalen Eingangskanälen codierte Informationen zu demultiplexen.

Um eine sensorische Auswertung der Abrufinformationen der Wellenfrontkodierung durchzuführen, sind die typischen Demultiplexierungsergebnisse von vier Polarisationskombinationen (0° und 0°, 0° und 10°, 0° und 90° sowie 0° und Ellipse). wie in der Abbildung 4 dargestellt.

Abbildung 4: Nicht-orthogonale Multiplexing-Ergebnisse auf 1 m MMF. (Quelle: Papier)

Es ist ersichtlich, dass vier Graustufenbilder, die auf der Amplitude und Phase der Eingangswellenfront unter Verwendung derselben Polarisation gemultiplext wurden, mit einem einzigen Speckle-Ausgang effektiv demultiplext werden können. Andere Ergebnisse, die mit ähnlicher Genauigkeit bei verschiedenen Polarisationskombinationen ermittelt wurden, zeigen, dass SLRnet zu einem beispiellosen nicht-orthogonalen Eingangskanal-Multiplexing fähig ist, selbst wenn die kodierende Wellenfront durch MMF verwürfelt wird.

Abbildung 5: Nicht-orthogonale Multiplexing-Ergebnisse auf 50 m MMF. (Quelle: Papier)

Um die Überlegenheit von SLRnet in realistischeren Szenarien weiter zu festigen, werden nicht-orthogonale Lichtmultiplexergebnisse unter Verwendung desselben Polarisationszustands auf 50 m MMF vorgeschlagen, wie in Abbildung 5 dargestellt. Wie aus den Abbildungen 4 und 5 ersichtlich ist, sind die Demultiplexierungsergebnisse für den 1-m-MMF besser als für den 50-m-Fall, da die Streueigenschaften des längeren MMF anfälliger für Umwelteinflüsse sind. Die Demultiplexleistung kann durch Optimierung der Netzwerkstruktur weiter verbessert werden. Untersuchungen zeigen, dass SLRnet ein wirksames Mittel zum Multiplexen nichtorthogonaler Kanäle in MMF ist.

Abbildung 6: Ergebnisse des nicht-orthogonalen Multiplexings auf 1 m MMF für allgemeine natürliche Szenenbilder und Bilder, die nicht zur ImageNet-Datenbank gehören. (Quelle: Papier)

Um schließlich die Vielseitigkeit von SLRnet für verschiedene Bildsätze zu demonstrieren, zeigen Untersuchungen, dass SLRnet über eine gute Verallgemeinerung verfügt.

Obwohl das zu diesem Zeitpunkt vorgeschlagene MMF-basierte nicht-orthogonale optische Multiplexing-Konzept nicht direkt für medizinische Diagnosen verwendet werden kann, die normalerweise eine einheitliche Wiedergabetreue erfordern, zeigt das hochpräzise nicht-orthogonale Multiplexing nicht korrelierter binärer digitaler Informationen, dass durch MMF The Die Realisierung der nicht-orthogonalen Multiplexübertragung optischer Informationen hat einen Schritt vorwärts gemacht.

Diese Forschung ebnet möglicherweise nicht nur den Weg für die Verwendung von MMFs mit hohem Durchsatz für die Kommunikation und Informationsverarbeitung, sondern kann auch einen Paradigmenwechsel für das optische Multiplexing in der Optik und anderen Bereichen bewirken, was den Freiheitsgrad und die Kapazität optischer Technologien erheblich erhöhen kann Systeme.

Das obige ist der detaillierte Inhalt vonDie Genauigkeit beträgt bis zu ~98 %. Die Forschung „KI + Optik“ der Technischen Universität Guangzhou wurde in der Fachzeitschrift Nature veröffentlicht. Deep Learning ermöglicht nicht-orthogonales optisches Multiplexing.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!