Hur strukturerat ljus och AI formar framtidens kommunikation

Strukturerad ljus teknologi, förstärkt av rumsliga dimensioner och maskininlärning, ökar informationsöverföring och upptäckt. Forskare har uppnått betydande framsteg inom datakodning och överföring, genom att använda rumslig icke-linjär konvertering för att bibehålla låga felhastigheter och hög noggrannhet under utmanande förhållanden. Kredit: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

Strukturerat ljus förbättrar informationsöverföring genom att kombinera avancerad bildbehandling med maskininlärning, vilket uppnår hög datakapacitet och noggrannhet i innovativa experiment.

Strukturerat ljus har potential att kraftigt öka informationskapaciteten genom att integrera rumsliga dimensioner med flera grader av frihet. Nyligen har fusionen av strukturerade ljusmönster med bildbehandling och artificiell intelligens visat stark potential för framsteg inom områden som kommunikation och detektion.

En av de mest anmärkningsvärda egenskaperna inom strukturerat ljusfält är den två- och tredimensionella distributionen av dess amplitudinformation. Denna funktion kan effektivt integreras med välutvecklad bildbehandlingsteknologi och kan också uppnå informationsöverföring över olika medier genom maskininlärningsteknologi som för närvarande driver djupgående förändringar. Komplexa strukturerade ljusfält baserade på koherenta överlagringstillstånd kan bära riklig rumslig amplitudinformation. Genom att ytterligare kombinera rumslig icke-linjär konvertering kan betydande ökningar av informationskapaciteten realiseras.

Komplex strukturerat ljus från icke-linjär konvertering har högre informationskapacitet. 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 från Beijing Institute of Technology och Yijie Shen från Nanyang Technological University, tillsammans med sina teammedlemmar, föreslog en ny metod för att förbättra informationskapaciteten baserad på komplexa modeller av koherenta överlagringstillstånd och deras rumsliga icke-linjära konvertering. Genom att integrera maskinsyn och djupinlärningsteknologier uppnådde de storvinkel punkt-till-multipunkt informationsöverföring med låg bitfelhastighet.

I denna modell används Gaussiska strålar för att erhålla rumslig icke-linjär konvertering (SNC) av strukturerat ljus genom en rumslig ljusmodulator. Konvolutionella neurala nätverk (CNN) används för att identifiera intensitetsfördelningen av strålarna. Genom att jämföra den grundläggande överlagrings- och SNC-modellen observeras att med ökande ordning av konstituentens egenvärdesmoder för den grundläggande modellen är kodningsförmågan för HG-överlagringsmodellen betydligt bättre än LG-modellen, och modeskodningskapaciteten efter rumslig strukturerad icke-linjär konvertering kan betydligt förbättras.

För att verifiera kodnings- och avkodningsprestanda baserade på ovanstående modell överfördes en 50 × 50 pixlars färgbild, visas i Fig.1. RGB-dimensionerna för bilden delades upp i 5 kromatiska nivåer, bestående av totalt 125 olika kromatiska informationstyper, var och en kodad av 125 HG-koherenta överlagringstillstånd. Dessutom belastades olika grader av fasstörning orsakade av atmosfärisk turbulens på dessa 125 modeller genom en DMD rumslig ljusmodulator och tränades med djupinlärningsteknologi för att forma en dataset.

Genom att ytterligare använda icke-linjär konvertering implementerades analys av högre kapacitetsavkodningseffekter, där 530 SNC-modeller valdes för experimentell mätning av förväxlingsmatris för dessa modeller med konvolutionella neurala nätverk, visas i Fig.2. De experimentella resultaten indikerar att på grund av mer distinkta strukturella egenskaper kan SNC-lägen fortfarande säkerställa liknande låga felhastigheter medan datakapaciteten avsevärt ökas, med en datagenkänningsnoggrannhet upp till 99,5%. Dessutom verifierade experimentet även maskinsynmönsterigenkänningsskapaciteten under förhållanden med diffus reflexion, och uppnådde samtidigt högprecisionsavkodning med flera mottagarkameror med observationsvinklar upp till 70°.

Referens: ”Spatial Nonlinear Conversion of Structured Light for Machine Learning Based Ultra-Accurate Information Networks (Laser Photonics Rev. 18(6)/2024)” av Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen och Changming Zhao, 9 juni 2024, Laser & Photonics Reviews. DOI: 10.1002/lpor.202470039

Finansiering: National Natural Science Foundation of China, Nanyang Technological University och Singapore Ministry of Education (MOE) AcRF Tier 1 bidrag