Cómo la Luz Estructurada y la Inteligencia Artificial Están Moldeando el Futuro de la Comunicación

La tecnología de luz estructurada, mejorada por las dimensiones espaciales y la inteligencia artificial, impulsa la transmisión y detección de información. Los investigadores han logrado avances significativos en la codificación y transmisión de datos, utilizando la conversión no lineal espacial para mantener bajas tasas de error y alta precisión en condiciones desafiantes. Crédito: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

La luz estructurada mejora la transmisión de información al combinar el procesamiento avanzado de imágenes con el aprendizaje automático, logrando una alta capacidad de datos y precisión en experimentos innovadores.

La luz estructurada tiene el potencial de aumentar en gran medida la capacidad de información al integrar dimensiones espaciales con múltiples grados de libertad. Recientemente, la fusión de patrones de luz estructurada con el procesamiento de imágenes y la inteligencia artificial ha demostrado un fuerte potencial de avance en áreas como la comunicación y la detección.

Una de las características más notables del campo de luz estructurada es la distribución bidimensional y tridimensional de su información de amplitud. Esta característica puede integrarse de manera efectiva con la tecnología de procesamiento de imágenes desarrollada de manera madura y también puede lograr la transmisión de información a través de medios en virtud de la tecnología de aprendizaje automático que actualmente impulsa cambios profundos. Los campos de luz estructurados complejos basados ​​en estados de superposición coherente pueden transportar abundante información de amplitud espacial. Al combinar aún más la conversión no lineal espacial, se pueden lograr aumentos significativos en la capacidad de información.

La luz estructurada compleja de la conversión no lineal tiene una mayor capacidad de información. Crédito: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

Zilong Zhang del Instituto de Tecnología de Beijing y Yijie Shen de la Universidad Tecnológica de Nanyang, junto con los miembros de sus equipos, propusieron un nuevo método para mejorar la capacidad de información basada en estados de superposición coherentes de modo complejo y su conversión no lineal espacial. Al integrar tecnologías de visión artificial y aprendizaje profundo, lograron una transmisión de información de punto a multipunto de gran ángulo con una baja tasa de error de bits.

En este modelo, se utilizan haces gaussianos para obtener una conversión no lineal espacial (SNC) de luz estructurada a través de un modulador de luz espacial. Se utilizan redes neuronales convolucionales (CNN) para identificar la distribución de intensidad de los haces. Al comparar el modo de superposición básico y el modo SNC, se observa que con el aumento en el orden de los modos propios constituyentes del modo básico, la capacidad de codificación del modo de superposición HG es significativamente mejor que el modo LG, y la capacidad de codificación del modo después de la conversión no lineal estructurada espacial se puede mejorar significativamente.

Para verificar los rendimientos de codificación y decodificación basados ​​en el modelo anterior, se transmitió una imagen en color de 50 × 50 píxeles, que se muestra en la Fig. 1. Las dimensiones RGB de la imagen se dividieron en 5 niveles de cromaticidad, que comprenden un total de 125 tipos de información de cromaticidad, cada uno codificado por 125 estados de superposición coherente HG. Además, se cargaron diferentes grados de fluctuación de fase causada por la turbulencia atmosférica en estos 125 modos a través de un modulador de luz espacial DMD y se entrenaron con tecnología de aprendizaje profundo para formar un conjunto de datos. Además, mediante el uso de la conversión no lineal, se implementó el análisis de los efectos de decodificación de mayor capacidad, en el que se seleccionaron 530 modos SNC para la medición experimental de la matriz de confusión de estos modos mediante redes neuronales convolucionales, como se muestra en la figura 2. Los hallazgos experimentales indican que, debido a las características estructurales más distintivas, los modos SNC aún pueden garantizar tasas de error de bits igualmente bajas al tiempo que aumentan significativamente la capacidad de datos, con una precisión de reconocimiento de datos de hasta el 99,5 %. Además, el experimento también verificó la capacidad de reconocimiento de patrones de visión artificial en condiciones de reflexión difusa, logrando una decodificación simultánea de alta precisión mediante múltiples cámaras receptoras con ángulos de observación de hasta 70°.