Hoe Gestructureerd Licht en AI De Toekomst van Communicatie Vormgeven

Structured light technology, enhanced by spatial dimensions and machine intelligence, boosts information transmission and detection. Researchers have achieved significant advancements in data encoding and transmission, using spatial nonlinear conversion to maintain low error rates and high accuracy under challenging conditions. Credit: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

Gestructureerd licht verbetert informatieoverdracht door geavanceerde beeldverwerking te combineren met machine learning, waardoor hoge gegevenscapaciteit en precisie worden bereikt in innovatieve experimenten.

Gestructureerd licht heeft het potentieel om de informatiecapaciteit aanzienlijk te vergroten door de integratie van ruimtelijke dimensies met meerdere vrijheidsgraden. Onlangs heeft de fusie van gestructureerde lichtpatronen met beeldverwerking en kunstmatige intelligentie sterke potentieel aangetoond voor vooruitgang op gebieden zoals communicatie en detectie.

Een van de meest opvallende kenmerken van het gestructureerde lichtveld is de tweedimensionale en driedimensionale verdeling van de amplitude-informatie. Dit kenmerk kan effectief integreren met volwassen ontwikkelde beeldverwerkingstechnologie en kan ook kruismediale informatietransmissie bereiken door middel van machine learning-technologie die momenteel diepgaande veranderingen drijft. Complex gestructureerde lichtvelden gebaseerd op coherente superpositietoestanden kunnen overvloedige ruimtelijke amplitude-informatie dragen. Door verdere integratie met ruimtelijke niet-lineaire conversie, kunnen aanzienlijke toenames in informatiecapaciteit worden gerealiseerd.

Complexe gestructureerde licht van niet-lineaire conversie heeft een hogere informatiecapaciteit. Credit: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

Zilong Zhang van het Beijing Institute of Technology en Yijie Shen van de Nanyang Technological University, samen met de teamleden, stelden een nieuwe methode voor ter verbetering van de informatiecapaciteit op basis van complexe modus coherente superpositietoestanden en hun ruimtelijke niet-lineaire conversie. Door machine vision en diepe leertechnologieën te integreren, werd grote hoek punt-naar-meerpunt informatieoverdracht met een lage bitfoutenratio bereikt.

In dit model worden Gaussische bundels gebruikt om ruimtelijke niet-lineaire conversie (SNC) van gestructureerd licht te verkrijgen via een ruimtelijke lichtmodulator. Convolutional neural networks (CNN) worden gebruikt om de intensiteitsverdeling van de bundels te identificeren. Door de basis superpositiemodus te vergelijken met de SNC-modus, wordt waargenomen dat met de toename van de orde van de samenstellende eigenmodi van de basismodus, de codeercapaciteit van de HG-superpositiemodus aanzienlijk beter is dan de LG-modus, en de moduscodeercapaciteit na ruimtelijke gestructureerde niet-lineaire conversie aanzienlijk kan worden verbeterd.

Om de codeer- en decodeerprestaties op basis van het bovenstaande model te verifiëren, werd een 50x50-pixel kleurenafbeelding verzonden, zoals te zien is in Fig.1. De RGB-dimensies van de afbeelding werden verdeeld in 5 chromaticiteitsniveaus, bestaande uit in totaal 125 soorten chromaticiteitsinformatie, elk gecodeerd door 125 HG coherente superpositietoestanden. Daarnaast werden verschillende graden van fase-jitter veroorzaakt door atmosferische turbulentie geladen op deze 125 modes via een DMD ruimtelijke lichtmodulator en getraind met diep leertechnologie om een dataset te vormen.

Door verdere gebruik van niet-lineaire conversie, werd de analyse van hogere capaciteit decoderingseffecten geïmplementeerd, waarbij 530 SNC-modi werden geselecteerd voor experimentele meting van de verwarringmatrix naar deze modi door convolutionele neurale netwerken, zoals te zien in Fig.2. De experimentele bevindingen geven aan dat vanwege meer onderscheidende structurele kenmerken, SNC-modi nog steeds kunnen zorgen voor vergelijkbaar lage bitfoutenpercentages terwijl de gegevenscapaciteit aanzienlijk toeneemt, met een gegevensherkenningsnauwkeurigheid tot 99,5%. Bovendien verifieerde het experiment ook de machine vision patroonherkenningscapaciteit onder omstandigheden van diffuse reflectie, waardoor gelijktijdige hoogwaardige decodering mogelijk werd door meerdere ontvangende camera's met observatiehoeken tot 70°.

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

Financiering: National Natural Science Foundation of China, Nanyang Technological University en Singapore Ministry of Education (MOE) AcRF Tier 1 subsidie