Wie strukturiertes Licht und KI die Zukunft der Kommunikation formen

Strukturierte Lichttechnologie, verbessert durch räumliche Dimensionen und maschinelle Intelligenz, steigert die Informationsübertragung und -erkennung. Forscher haben signifikante Fortschritte bei der Datenkodierung und -übertragung erzielt, indem sie eine räumliche nichtlineare Konvertierung verwenden, um niedrige Fehlerquoten und hohe Genauigkeit unter anspruchsvollen Bedingungen aufrechtzuerhalten. Kredit: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

Strukturiertes Licht verbessert die Informationsübertragung, indem es fortschrittliche Bildverarbeitung mit maschinellem Lernen kombiniert und in innovativen Experimenten eine hohe Datenkapazität und Genauigkeit erreicht.

Strukturiertes Licht hat das Potenzial, die Informationskapazität erheblich zu erhöhen, indem es räumliche Dimensionen mit mehreren Freiheitsgraden integriert. Kürzlich hat die Fusion von strukturierten Lichtmustern mit Bildverarbeitung und künstlicher Intelligenz starkes Potenzial für Fortschritte in Bereichen wie Kommunikation und Erkennung gezeigt.

Eines der bemerkenswertesten Merkmale des strukturierten Lichtfeldes ist die zweidimensionale und dreidimensionale Verteilung seiner Amplitudeninformationen. Dieses Merkmal kann effektiv mit ausgereifter Bildverarbeitungstechnologie integriert werden und kann auch dank der derzeit tiefgreifende Veränderungen vorantreibenden maschinellen Lerntechnologie eine informationsübergreifende Informationsübertragung erreichen. Komplexe strukturierte Lichtfelder auf Basis kohärenter Überlagerungszustände können reiche räumliche Amplitudeninformationen tragen. Durch die weitere Kombination von räumlicher nichtlinearer Konvertierung können signifikante Zunahmen der Informationskapazität realisiert werden.

Komplexes strukturiertes Licht aus nichtlinearer Konvertierung hat eine höhere Informationskapazität. Kredit: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

Zilong Zhang vom Beijing Institute of Technology und Yijie Shen von der Nanyang Technological University haben zusammen mit ihren Teammitgliedern eine neue Methode zur Steigerung der Informationskapazität auf Basis von komplexen Modus kohärenter Überlagerungszustände und ihrer räumlichen nichtlinearen Konvertierung vorgeschlagen. Durch die Integration von Maschinenbildgebung und Deep-Learning-Technologien gelang es ihnen, eine großwinklige punkt-zu-multipunkt Informationsübertragung mit geringer Bitfehlerrate zu erreichen.

In diesem Modell werden Gauß'sche Strahlen verwendet, um durch einen räumlichen Lichtmodulator eine räumliche nichtlineare Konvertierung (SNC) von strukturiertem Licht zu erhalten. Faltende neuronale Netze (CNN) werden verwendet, um die Intensitätsverteilung der Strahlen zu identifizieren. Durch den Vergleich des grundlegenden Überlagerungszustands und des SNC-Zustands wird beobachtet, dass mit der zunehmenden Reihenfolge der konstituierenden Eigenmoden des grundlegenden Zustands die Kodierungsfähigkeit des HG-Überlagerungszustands signifikant besser ist als die des LG-Modus, und die Moduskodierungskapazität nach räumlicher strukturierter nichtlinearer Konvertierung signifikant verbessert werden kann.

Zur Überprüfung der Kodierungs- und Dekodierungsleistungen basierend auf dem obigen Modell wurde ein 50x50-Pixel-Farbimage übertragen, wie in Abb.1 gezeigt. Die RGB-Dimensionen des Bildes wurden in 5 Chromatizitätsstufen unterteilt, die insgesamt 125 Arten von Chromatizitätsinformationen umfassen, die jeweils von 125 HG kohärenten Überlagerungszuständen kodiert wurden. Darüber hinaus wurden unterschiedliche Grade von Phasenjitter durch atmosphärische Turbulenzen auf diese 125 Modi über einen DMD-Raumlichtmodulator geladen und mit Deep-Learning-Technologie trainiert, um ein Datensatz zu bilden.

Weiterhin wurde unter Verwendung der nichtlinearen Konvertierung die Analyse der höheren Kapazitätsdekodierungseffekte implementiert, bei der 530 SNC-Modi für die experimentelle Messung der Verwirrungsmatrix zu diesen Modi durch faltende neuronale Netze ausgewählt wurden, die in Abb.2 gezeigt sind. Die experimentellen Ergebnisse zeigen, dass aufgrund deutlicherer Strukturmerkmale SNC-Modi weiterhin ähnlich niedrige Bitfehlerraten gewährleisten können, während sie die Datenkapazität signifikant erhöhen, wobei eine Daten-Erkennungsgenauigkeit von bis zu 99,5% erreicht wird. Zusätzlich wurde im Experiment auch die Maschinenbildmustererkennungsfähigkeit unter Bedingungen diffuser Reflexion verifiziert, wodurch eine gleichzeitige hochpräzise Dekodierung durch mehrere Empfangskameras mit Beobachtungswinkeln von bis zu 70° erreicht wurde.

Referenz: “Spatial Nonlinear Conversion of Structured Light for Machine Learning Based Ultra-Accurate Information Networks (Laser Photonics Rev. 18(6)/2024)” von Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen und Changming Zhao, 09. Juni 2024, Laser & Photonics Reviews. DOI: 10.1002/lpor.202470039

Finanzierung: National Natural Science Foundation of China, Nanyang Technological University und Singapore Ministry of Education (MOE) AcRF Tier 1 grant