Come la luce strutturata e l'intelligenza artificiale stanno plasmando il futuro della comunicazione
La tecnologia della luce strutturata, potenziata dalle dimensioni spaziali e dall'intelligenza artificiale, potenzia la trasmissione e il rilevamento delle informazioni. I ricercatori hanno ottenuto notevoli progressi nella codifica e nella trasmissione dei dati, utilizzando la conversione spaziale non lineare per mantenere bassi tassi di errore e un'elevata accuratezza in condizioni difficili. Credito: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao
La luce strutturata potenzia la trasmissione delle informazioni combinando l'elaborazione avanzata delle immagini con l'apprendimento automatico, ottenendo un'elevata capacità di dati e accuratezza in esperimenti innovativi.
La luce strutturata ha il potenziale per aumentare notevolmente la capacità di informazione integrando le dimensioni spaziali con più gradi di libertà. Di recente, la fusione di modelli di luce strutturata con l'elaborazione delle immagini e l'intelligenza artificiale ha dimostrato un forte potenziale di avanzamento in aree come la comunicazione e il rilevamento.
Una delle caratteristiche più notevoli del campo di luce strutturata è la distribuzione bidimensionale e tridimensionale delle sue informazioni di ampiezza. Questa caratteristica può integrarsi efficacemente con la tecnologia di elaborazione delle immagini sviluppata in modo maturo e può anche ottenere una trasmissione di informazioni cross-medium in virtù della tecnologia di apprendimento automatico che attualmente guida profondi cambiamenti. I campi di luce strutturati complessi basati su stati di sovrapposizione coerenti possono trasportare abbondanti informazioni di ampiezza spaziale. Combinando ulteriormente la conversione spaziale non lineare, è possibile realizzare significativi aumenti nella capacità di informazione.
La luce strutturata complessa dalla conversione non lineare ha una maggiore capacità di informazione. Credito: 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 Beijing Institute of Technology e Yijie Shen della Nanyang Technological University, insieme ai membri dei loro team, hanno proposto un nuovo metodo per migliorare la capacità di informazione basato su stati di sovrapposizione coerenti in modalità complessa e sulla loro conversione spaziale non lineare. Integrando la visione artificiale e le tecnologie di apprendimento profondo, hanno ottenuto una trasmissione di informazioni punto-multipunto ad ampio angolo con un basso tasso di errore di bit. In questo modello, i fasci gaussiani vengono utilizzati per ottenere la conversione non lineare spaziale (SNC) della luce strutturata tramite un modulatore di luce spaziale. Le reti neurali convoluzionali (CNN) vengono utilizzate per identificare la distribuzione di intensità dei fasci. Confrontando la modalità di sovrapposizione di base e la modalità SNC, si osserva che con l'aumento dell'ordine delle automodalità costituenti della modalità di base, la capacità di codifica della modalità di sovrapposizione HG è significativamente migliore della modalità LG e la capacità di codifica della modalità dopo la conversione non lineare strutturata spaziale può essere notevolmente migliorata. Per verificare le prestazioni di codifica e decodifica basate sul modello sopra, è stata trasmessa un'immagine a colori da 50×50 pixel, mostrata nella Fig.
1. Le dimensioni RGB dell'immagine sono state divise in 5 livelli di cromaticità, comprendenti un totale di 125 tipi di informazioni di cromaticità, ciascuna codificata da 125 stati di sovrapposizione coerenti HG. Inoltre, diversi gradi di jitter di fase causati dalla turbolenza atmosferica sono stati caricati su queste 125 modalità tramite un modulatore di luce spaziale DMD e addestrati con la tecnologia di apprendimento profondo per formare un set di dati. Utilizzando ulteriormente la conversione non lineare, è stata implementata l'analisi degli effetti di decodifica di capacità più elevata, in cui sono state selezionate 530 modalità SNC per la misurazione sperimentale della matrice di confusione su queste modalità tramite reti neurali convoluzionali, mostrate nella Fig.
2. I risultati sperimentali indicano che, grazie a caratteristiche strutturali più distinte, le modalità SNC possono comunque garantire tassi di errore di bit altrettanto bassi, aumentando significativamente la capacità dei dati, con una precisione di riconoscimento dei dati fino al 99,5%. Inoltre, l'esperimento ha anche verificato la capacità di riconoscimento di pattern di visione artificiale in condizioni di riflessione diffusa, ottenendo una decodifica simultanea ad alta precisione da parte di più telecamere riceventi con angoli di osservazione fino a 70°.
