
在光復用中,通道之間的正交性扮演著至關重要的角色。這種正交性確保了不同通道之間的訊號不會相互幹擾,從而實現了高效的資料傳輸。光復用系統能夠同時傳輸多個通道的數據,有效提高了光纖的利用率。然而,這種系統也不可避免地會施加複用容量的上限。
在此,廣東工業大學通感融合光子技術教育部重點實驗室開發一種基於深度神經網路的多模光纖(MMF)上的非正交光復用,稱為散斑光場檢索網路(Speckle light field retrieval network,SLRnet),它可以學習包含資訊編碼的多個非正交輸入光場與其對應的單強度輸出之間的複雜映射關係。
透過原理驗證實驗,SLRnet成功解決了MMF上非正交光復用的不適定問題。它能夠利用單發散斑輸出明確地檢索由相同偏振、波長和空間位置介導的多個非正交輸入訊號,保真度高達98%。這項研究為實現高容量光復用利用非正交通道鋪平了道路,是邁向這一目標的重要一步。
這項研究將推動光學和光子學領域的潛在應用,並為資訊科學與技術等更廣泛學科的探索提供新的啟示。
相關研究以《Non-orthogonal optical multiplexing empowered by deep learning》為題,於 2024 年 2 月 21 日發表在《Nature Communications》上。
#光復用問題
重複使用(Multiplexing)是光通訊的基石,其中復用通道之間的物理正交性是大規模編碼訊息傳輸的先決條件。
考慮到多個正交訊號的解復用(Demultiplexing),傳輸矩陣方法(例如 MMF)甚至可以在強散射介質上解決這個問題。
最近,深度學習已廣泛應用於光學和光子學領域,用於光學元件和計算光學的逆向設計。具體來說,深度神經網路已被用來提高多重散射介質上正交復用的效能。
然而,迄今為止,所有報導的複用場景都嚴格依賴多路復用通道之間的物理正交性。目前還沒有嘗試利用深度學習的非線性建模能力來實現 MMF 上的非正交光復用。
不幸的是,即使在單模光纖中由相同偏振或波長介導的非正交通道的複用仍然非常具有挑戰性,這是由於缺乏有效的解復用方法或數位訊號處理負擔過重。因此,開發一種新的方法來解碼非正交輸入通道中編碼的資訊對於最終的光復用至關重要。
基於深度神經網路的 MMF 上的非正交光復用
在此,研究人員證明了在 SLRnet 的支持下可以透過 MMF 實現初步的非正交光復用。
作為概念驗證演示,可以利用非正交輸入通道實現透過MMF 的資訊重複傳輸,包括一般自然場景影像、不相關的隨機二進位資料和不屬於同一類型訓練資料集的影像,有利於實現光資訊的非正交複用傳輸。
透過資料驅動技術在非正交輸入通道和輸出之間建立複雜的關係,訓練有素的深度神經網路只需使用單次輸出強度即可檢索非正交通道的編碼資訊。即使是共享相同偏振、波長和輸入空間區域的非正交複用通道也可以被有效地解碼。
神經網路架構
深度神經網路能夠從MMF 的單一散斑輸出中檢索非正交光復用訊號.由任意偏振組合介導的多個振幅和相位編碼資訊在 MMF 中傳播後可以被 SLRnet 有效地檢索。
如圖 2a 所示,即使是具有相同偏振、波長和輸入空間區域的非正交輸入通道的典型場景也可以被明確解碼。這是透過深度神經網路實現的,其架構如圖 2b 所示,它是根據 MMF 獨特的多重散射過程的 Unet 的變體。它由全連接(FC)層和 ResUnet 組成。
實驗結果
首先考慮 MMF 長度為 1m 的情況。圖 3a 展示了 SLRnet 訓練過程中具有任意偏振態組合的兩個複用光場通道的檢索保真度的演變。總的來說,在振幅和相位維度上將有四個編碼通道,根據偏振狀態,它們可以是非正交的。檢索到的保真度是透過皮爾森相關係數(PCC)來衡量的。
從圖中可以看出,使用相同的 SLRnet 訓練配置檢索到的 PCC 在 100 個 epoch 後的演化大於 0.97。同時,十二個複用場景的檢索保真度的演變基本上相同,這展示了非正交復用對於任意偏振組合的出色穩健性。
此外,圖 3b 提供了分別使用不同的偏振組合在每個幅度和相位復用通道中檢索到的保真度。幅度和相位維度上的平均檢索保真度幾乎相同( ~ 0.98),這凸顯了 SLRnet 對多個非正交輸入通道中編碼的資訊進行解復用的能力。
為了對波前編碼的檢索資訊進行sensory 評估,四種偏振組合(0° 和0°、0° 和10°、0° 和90° 以及0° 和橢圓)的典型解復用結果如圖4 所示。
可以看出,使用相同偏振在輸入波前的振幅和相位上復用的四個灰階影像可以利用單次散斑輸出有效地解復用。在不同偏振組合下檢索到的其他結果的保真度相似,這表明即使編碼波前被 MMF 擾亂,SLRnet 也能夠實現前所未有的非正交輸入通道復用。
為了進一步鞏固 SLRnet 在更現實的場景中的優越性,提出了在 50 m MMF 上使用相同偏振態的非正交光復用結果,如圖 5 所示。從圖 4 和圖 5 可以看出,1 m MMF 的解復用結果比 50 m 情況要好,這是因為較長的 MMF 的散射特性更容易受到環境的影響。透過優化網路結構可以進一步提高解復用效能。研究表明,SLRnet 是 MMF 中復用非正交通道的有效手段。
最後,展示 SLRnet 對於不同影像集的通用性,研究顯示 SLRnet 具有良好的泛化性。
儘管現階段所提出的基於MMF 的非正交光復用概念不能直接用於通常需要統一保真度的醫療診斷,但高精度的非相關二進制數字信息的非正交復用表明,透過MMF 實現光資訊的非正交復用傳輸向前邁進了一步。
該研究不僅可以為利用高吞吐量MMF 進行通訊和資訊處理鋪平道路,而且還可能為光學及其他領域的光復用提供範式轉變,這可以大大提高光學系統的自由度和容量。
以上是保真度高達~98%,廣工大「AI+光學」研究登Nature子刊,深度學習賦能非正交光復用的詳細內容。更多資訊請關注PHP中文網其他相關文章!

人工智能Artificial Intelligence(AI)、机器学习Machine Learning(ML)和深度学习Deep Learning(DL)通常可以互换使用。但是,它们并不完全相同。人工智能是最广泛的概念,它赋予机器模仿人类行为的能力。机器学习是将人工智能应用到系统或机器中,帮助其自我学习和不断改进。最后,深度学习使用复杂的算法和深度神经网络来重复训练特定的模型或模式。让我们看看每个术语的演变和历程,以更好地理解人工智能、机器学习和深度学习实际指的是什么。人工智能自过去 70 多

众所周知,在处理深度学习和神经网络任务时,最好使用GPU而不是CPU来处理,因为在神经网络方面,即使是一个比较低端的GPU,性能也会胜过CPU。深度学习是一个对计算有着大量需求的领域,从一定程度上来说,GPU的选择将从根本上决定深度学习的体验。但问题来了,如何选购合适的GPU也是件头疼烧脑的事。怎么避免踩雷,如何做出性价比高的选择?曾经拿到过斯坦福、UCL、CMU、NYU、UW 博士 offer、目前在华盛顿大学读博的知名评测博主Tim Dettmers就针对深度学习领域需要怎样的GPU,结合自

一. 背景介绍在字节跳动,基于深度学习的应用遍地开花,工程师关注模型效果的同时也需要关注线上服务一致性和性能,早期这通常需要算法专家和工程专家分工合作并紧密配合来完成,这种模式存在比较高的 diff 排查验证等成本。随着 PyTorch/TensorFlow 框架的流行,深度学习模型训练和在线推理完成了统一,开发者仅需要关注具体算法逻辑,调用框架的 Python API 完成训练验证过程即可,之后模型可以很方便的序列化导出,并由统一的高性能 C++ 引擎完成推理工作。提升了开发者训练到部署的体验

深度学习 (DL) 已成为计算机科学中最具影响力的领域之一,直接影响着当今人类生活和社会。与历史上所有其他技术创新一样,深度学习也被用于一些违法的行为。Deepfakes 就是这样一种深度学习应用,在过去的几年里已经进行了数百项研究,发明和优化各种使用 AI 的 Deepfake 检测,本文主要就是讨论如何对 Deepfake 进行检测。为了应对Deepfake,已经开发出了深度学习方法以及机器学习(非深度学习)方法来检测 。深度学习模型需要考虑大量参数,因此需要大量数据来训练此类模型。这正是

导读深度学习已在面向自然语言处理等领域的实际业务场景中广泛落地,对它的推理性能优化成为了部署环节中重要的一环。推理性能的提升:一方面,可以充分发挥部署硬件的能力,降低用户响应时间,同时节省成本;另一方面,可以在保持响应时间不变的前提下,使用结构更为复杂的深度学习模型,进而提升业务精度指标。本文针对地址标准化服务中的深度学习模型开展了推理性能优化工作。通过高性能算子、量化、编译优化等优化手段,在精度指标不降低的前提下,AI模型的模型端到端推理速度最高可获得了4.11倍的提升。1. 模型推理性能优化

Part 01 概述 在实时音视频通信场景,麦克风采集用户语音的同时会采集大量环境噪声,传统降噪算法仅对平稳噪声(如电扇风声、白噪声、电路底噪等)有一定效果,对非平稳的瞬态噪声(如餐厅嘈杂噪声、地铁环境噪声、家庭厨房噪声等)降噪效果较差,严重影响用户的通话体验。针对泛家庭、办公等复杂场景中的上百种非平稳噪声问题,融合通信系统部生态赋能团队自主研发基于GRU模型的AI音频降噪技术,并通过算法和工程优化,将降噪模型尺寸从2.4MB压缩至82KB,运行内存降低约65%;计算复杂度从约186Mflop

今天的主角,是一对AI界相爱相杀的老冤家:Yann LeCun和Gary Marcus在正式讲述这一次的「新仇」之前,我们先来回顾一下,两位大神的「旧恨」。LeCun与Marcus之争Facebook首席人工智能科学家和纽约大学教授,2018年图灵奖(Turing Award)得主杨立昆(Yann LeCun)在NOEMA杂志发表文章,回应此前Gary Marcus对AI与深度学习的评论。此前,Marcus在杂志Nautilus中发文,称深度学习已经「无法前进」Marcus此人,属于是看热闹的不

过去十年是深度学习的“黄金十年”,它彻底改变了人类的工作和娱乐方式,并且广泛应用到医疗、教育、产品设计等各行各业,而这一切离不开计算硬件的进步,特别是GPU的革新。 深度学习技术的成功实现取决于三大要素:第一是算法。20世纪80年代甚至更早就提出了大多数深度学习算法如深度神经网络、卷积神经网络、反向传播算法和随机梯度下降等。 第二是数据集。训练神经网络的数据集必须足够大,才能使神经网络的性能优于其他技术。直至21世纪初,诸如Pascal和ImageNet等大数据集才得以现世。 第三是硬件。只有


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

WebStorm Mac版
好用的JavaScript開發工具

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

DVWA
Damn Vulnerable Web App (DVWA) 是一個PHP/MySQL的Web應用程序,非常容易受到攻擊。它的主要目標是成為安全專業人員在合法環境中測試自己的技能和工具的輔助工具,幫助Web開發人員更好地理解保護網路應用程式的過程,並幫助教師/學生在課堂環境中教授/學習Web應用程式安全性。 DVWA的目標是透過簡單直接的介面練習一些最常見的Web漏洞,難度各不相同。請注意,該軟體中

禪工作室 13.0.1
強大的PHP整合開發環境