Technologia światła strukturalnego, wzmocniona wymiarami przestrzennymi i inteligencją maszyn, usprawnia transmisję i wykrywanie informacji. Badacze osiągnęli znaczny postęp w kodowaniu i transmisji danych, wykorzystując nieliniową konwersję przestrzenną, aby utrzymać niski poziom błędów i wysoką dokładność w trudnych warunkach. Źródło: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao
Światło strukturalne poprawia transmisję informacji, łącząc zaawansowane przetwarzanie obrazu z nauczanie maszynoweosiągając dużą pojemność danych i dokładność w innowacyjnych eksperymentach.
Światło strukturalne może znacznie zwiększyć pojemność informacyjną poprzez integrację wymiarów przestrzennych o wielu stopniach swobody. Ostatnio połączenie strukturalnych wzorów światła z przetwarzaniem obrazu i sztuczna inteligencja wykazał duży potencjał postępu w takich obszarach jak komunikacja i wykrywanie.
Jedną z najbardziej zauważalnych cech ustrukturyzowanego pola świetlnego jest dwu- i trójwymiarowy rozkład informacji o jego amplitudzie. Ta funkcja może skutecznie integrować się z dojrzałą technologią przetwarzania obrazu, a także umożliwia transmisję informacji między mediami dzięki technologii uczenia maszynowego, która obecnie napędza głębokie zmiany. Złożone strukturalne pola świetlne oparte na spójnych stanach superpozycji mogą przenosić liczne informacje o amplitudzie przestrzennej. Dzięki dalszemu połączeniu przestrzennej konwersji nieliniowej można osiągnąć znaczny wzrost pojemności informacyjnej.
Złożone światło strukturalne powstałe w wyniku konwersji nieliniowej ma większą pojemność informacyjną. Źródło: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao
Zilong Zhang z Pekińskiego Instytutu Technologii i Yijie Shen z Nanyang Technological University wraz z członkami swoich zespołów zaproponowali nową metodę zwiększania pojemności informacyjnej w oparciu o spójne stany superpozycji w trybie złożonym i ich przestrzenną nieliniową konwersję. Integrując technologie widzenia maszynowego i głębokiego uczenia się, udało im się osiągnąć transmisję informacji pod dużym kątem z punktu do wielu punktów przy niskim współczynniku błędów bitowych.
W tym modelu wiązki Gaussa służą do uzyskania przestrzennej nieliniowej konwersji (SNC) światła strukturalnego za pomocą przestrzennego modulatora światła. Konwolucyjne sieci neuronowe (CNN) służą do identyfikacji rozkładu intensywności wiązek. Porównując podstawowy tryb superpozycji i tryb SNC, obserwuje się, że wraz ze wzrostem kolejności składowych trybów własnych trybu podstawowego, zdolność kodowania trybu superpozycji HG jest znacznie lepsza niż trybu LG, a zdolność kodowania trybu po nieliniowej strukturze przestrzennej konwersję można znacznie poprawić.
Weryfikacja wydajności kodowania i dekodowania
Aby zweryfikować wydajność kodowania i dekodowania w oparciu o powyższy model, przesłano kolorowy obraz o wymiarach 50 × 50 pikseli, jak pokazano na rys.1. Wymiary RGB obrazu podzielono na 5 poziomów chromatyczności, obejmujących łącznie 125 rodzajów informacji o chromatyczności, każdy zakodowany przez 125 spójnych stanów superpozycji HG. Dodatkowo do tych 125 trybów załadowano różne stopnie drgań fazowych spowodowanych turbulencjami atmosferycznymi za pomocą przestrzennego modulatora światła DMD i przeszkolono je za pomocą technologii głębokiego uczenia się, aby utworzyć zbiór danych.
Następnie, wykorzystując konwersję nieliniową, przeprowadzono analizę efektów dekodowania o większej wydajności, w której wybrano 530 modów SNC do eksperymentalnego pomiaru macierzy zamieszania do tych modów przez splotowe sieci neuronowe, jak pokazano na rys.2. Wyniki eksperymentów wskazują, że dzięki bardziej wyraźnym cechom strukturalnym tryby SNC mogą w dalszym ciągu zapewniać podobnie niski współczynnik błędów bitowych, jednocześnie znacznie zwiększając pojemność danych, z dokładnością rozpoznawania danych sięgającą 99,5%. Dodatkowo w eksperymencie zweryfikowano także zdolność rozpoznawania wzorców widzenia maszynowego w warunkach odbicia rozproszonego, uzyskując jednoczesne, precyzyjne dekodowanie przez wiele kamer odbiorczych z kątami obserwacji do 70°.
Odniesienie: „Przestrzenna nieliniowa konwersja światła strukturalnego dla ultradokładnych sieci informacyjnych opartych na uczeniu maszynowym (Laser Photonics Rev. 18(6)/2024)” autorstwa Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen i Changming Zhao, 09 czerwca 2024 r., Recenzje laserów i fotoniki.
DOI: 10.1002/lpor.202470039
Finansowanie: Chińska Narodowa Fundacja Nauk Przyrodniczych, Uniwersytet Technologiczny w Nanyang i Ministerstwo Edukacji Singapuru (MOE) Dotacja AcRF Tier 1
