Jak światło strukturalne i sztuczna inteligencja kształtują przyszłość komunikacji
Technologia światła strukturalnego, wzmocniona wymiarami przestrzennymi i inteligencją maszynową, zwiększa transmisję i wykrywanie informacji. Naukowcy osiągnęli znaczące postępy w kodowaniu i transmisji danych, wykorzystując nieliniową konwersję przestrzenną w celu utrzymania niskiego współczynnika błędów i wysokiej dokładności 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 zwiększa transmisję informacji poprzez połączenie zaawansowanego przetwarzania obrazu z uczeniem maszynowym, osiągając wysoką pojemność danych i dokładność w innowacyjnych eksperymentach.
Światło strukturalne ma potencjał, aby znacznie zwiększyć pojemność informacji poprzez integrację wymiarów przestrzennych z wieloma stopniami swobody. Ostatnio połączenie wzorców światła strukturalnego z przetwarzaniem obrazu i sztuczną inteligencją wykazało duży potencjał postępu w takich obszarach jak komunikacja i wykrywanie.
Jedną z najbardziej zauważalnych cech pola światła strukturalnego jest dwu- i trójwymiarowy rozkład jego informacji o amplitudzie. Ta funkcja może skutecznie integrować się z dojrzale rozwiniętą technologią przetwarzania obrazu i może również osiągnąć transmisję informacji między medium dzięki technologii uczenia maszynowego, która obecnie napędza głębokie zmiany. Złożone strukturalne pola świetlne oparte na spójnych stanach superpozycji mogą przenosić obfite informacje o amplitudzie przestrzennej. Poprzez dalsze łączenie przestrzennej konwersji nieliniowej można osiągnąć znaczny wzrost pojemności informacyjnej.
Złożone strukturalne światło z nieliniowej konwersji 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 Beijing Institute of Technology i Yijie Shen z Nanyang Technological University wraz z członkami swoich zespołów zaproponowali nową metodę zwiększania pojemności informacyjnej w oparciu o złożone stany koherentnej superpozycji trybu i ich przestrzenną konwersję nieliniową. Poprzez integrację technologii wizji maszynowej i głębokiego uczenia osiągnęli oni transmisję informacji punkt-wielopunkt pod dużym kątem z niską stopą błędów bitowych.
W tym modelu wiązki Gaussa są używane do uzyskania przestrzennej nieliniowej konwersji (SNC) światła strukturalnego za pomocą przestrzennego modulatora światła. Sieci neuronowe splotowe (CNN) są używane do identyfikacji rozkładu intensywności wiązek. Porównując podstawowy tryb superpozycji i tryb SNC, obserwuje się, że wraz ze wzrostem kolejności składowych modów własnych trybu podstawowego, zdolność kodowania trybu superpozycji HG jest znacznie lepsza niż trybu LG, a pojemność kodowania trybu po przestrzennej nieliniowej konwersji strukturalnej może być znacznie poprawiona.
Aby zweryfikować wydajność kodowania i dekodowania w oparciu o powyższy model, przesłano obraz kolorowy o wymiarach 50×50 pikseli, pokazany na rys. 1. Wymiary RGB obrazu podzielono na 5 poziomów chromatyczności, obejmujących łącznie 125 rodzajów informacji o chromatyczności, z których każda jest kodowana przez 125 spójnych stanów superpozycji HG. Dodatkowo, różne stopnie drgań fazowych spowodowane przez turbulencje atmosferyczne zostały załadowane do tych 125 trybów poprzez przestrzenny modulator światła DMD i wytrenowane za pomocą technologii głębokiego uczenia się w celu utworzenia zestawu danych.
Dalsze wykorzystanie konwersji nieliniowej, analiza efektów dekodowania o większej pojemności została wdrożona, w której wybrano 530 trybów SNC do eksperymentalnego pomiaru macierzy pomyłek dla tych trybów za pomocą sieci neuronowych splotowych, pokazanych na rys. 2. Wyniki eksperymentu wskazują, że ze względu na bardziej odrębne cechy strukturalne, tryby SNC mogą nadal zapewniać podobnie niskie wskaźniki błędów bitowych, jednocześnie znacznie zwiększając pojemność danych, z dokładnością rozpoznawania danych do 99,5%. Ponadto eksperyment zweryfikował również zdolność rozpoznawania wzorców wizji maszynowej w warunkach rozproszonego odbicia, osiągając jednoczesne dekodowanie o wysokiej precyzji przez wiele kamer odbiorczych z kątami obserwacji do 70°.
