AI+SLM: Inteligentní revoluce prostorových modulátorů světla
Prostorový modulátor světla (SLM) je optické zařízení, které dynamicky řídí rozložení světla na vlnoploše prostřednictvím elektrických nebo optických signálů. Změnou orientace Tekuté krystaly molekuly s vnějším elektrickým polem, může modulovat amplitudu, fázi nebo polarizaci světla, což umožňuje programovatelné řízení optického pole v reálném čase. SLM na bázi tekutých krystalů, s výhodami, jako je jednoduchá výroba, nízké náklady, nízká spotřeba energie a snadné ovládání, prokázaly pozoruhodný výkon v oblastech, jako je optická komunikace, optické výpočty a kvantové zpracování informací. V posledních letech vyvolala integrace umělé inteligence (AI) s optickými technologiemi revoluci. Jakožto klíčové zařízení pro modulaci optického pole vykazují SLM, podporované hlubokým učením a neuronovými sítěmi, nebývalý aplikační potenciál.
Síla integrace: Když se hluboké učení setká s prostorovou modulací světelného pole
Hluboké učení (DL), neuronové sítě (NN) a strojové učení (ML) optimalizují složité úkoly pomocí modelů řízených daty. Optické systémy, které se vyznačují vysokou paralelismem, nízkou latencí a nízkou spotřebou energie, mohou v kombinaci s těmito technologiemi překonat úzká hrdla tradičních elektronických výpočtů. Vzestup umělé inteligence, zejména integrace hlubokého učení s technologií prostorového modulátoru světla (SLM), přináší do této oblasti revoluční změny.
Hluboké učení, rozšíření neuronových sítí, extrahuje vysoce kvalitní prvky prostřednictvím více vrstev nelineárních transformací (jako jsou konvoluční vrstvy a rekurentní vrstvy). Mezi hlavní základní modely hlubokého učení patří konvoluční neuronové sítě (CNN), rekurentní neuronové sítě (RNN) a generativní adversární sítě (GAN). V posledních letech vedl pokrok ve strojovém učení, zejména díky hlubokému učení, k širokému využití v... Optické zobrazování detekce a optické výpočty.
Hlavní funkcí prostorového modulátoru světla (SLM) je řízení uspořádání molekul tekutých krystalů pomocí napětí, čímž se moduluje amplituda nebo fáze dopadajícího světla prostorově rozloženým způsobem. Fázové SLM mohou dosáhnout fázové modulace v rozsahu 0-2π, což umožňuje přesné řízení vlnoplochy pro transformaci paprsku. Transmisní SLM jsou naopak primárně amplitudového typu a využívají efekt optické rotace světelných ventilů z tekutých krystalů v kombinaci s polarizátory a analyzátory ke změně intenzity výstupního světla. Využitím metod hlubokého učení mohou SLM dosáhnout cílů, jako je bezparametrové difrakční zaostřování a vylepšené... Rezoluce, což vedlo k významnému pokroku v aplikacích, jako je iterativní fázové zobrazování, zobrazování s vysokým rozlišením a zobrazování duchů.
TTechnologické průlomy: Typické scénáře aplikací inteligentních SLM
Tradiční metody výpočtu hologramů se často spoléhají na iterační algoritmy, jako je Gerchberg-Saxtonův (GS). Ačkoli jsou tyto algoritmy dobře zavedené, trpí nízkou výpočetní efektivitou, zejména při generování složitých světelných polí nebo vyžadující řízení v reálném čase, kde se jejich omezení stávají stále zřetelnějšími. Zavedení hlubokého učení nabízí nový přístup k řešení tohoto úzkého hrdla.
Vývojový diagram metody GS-CNN
V roce 2021 domácí výzkumný tým jako první vyvinul hybridní algoritmus GS-CNN, který kombinuje tradiční algoritmus Gerchberg-Saxton (GS) s konvolučními neuronovými sítěmi. Tato metoda zachovává stabilitu algoritmu GS a zároveň využívá výkonné nelineární mapovací schopnosti neuronových sítí, čímž výrazně zlepšuje výpočetní efektivitu. Besselovy vírové paprsky generované metodou GS-CNN vykazují výrazně nižší střední kvadratickou chybu (RMSE) a vyšší difrakční účinnost (DE) ve srovnání s výsledky získanými tradičním algoritmem GS.
Výsledky simulačního experimentu metodou GS-CNN
(a)～(c) Rozložení intenzity cíle Besselových paprsků; (d)～(f) Rozložení výstupní intenzity generovaných vírových paprsků; (g)～(i) Fázové hologramy LC-SLM generovaných vírových paprsků
Pomocí metody GS-CNN se vědcům podařilo generovat Besselovy paprsky s různými topologickými náboji, čímž se výrazně zkrátil výpočetní čas a zároveň se zachovala vysoká kvalita paprsku. Začlenění hlubokého učení umožňuje systému učit se složité fyzikální procesy šíření světelného pole, a tím rychle produkovat vysoce kvalitní hologramy. Ve srovnání s tradičními metodami se efektivně difraktuje větší část vstupní energie světelného pole a rozdíl mezi rozložením intenzity a rozložením cíle se výrazně snižuje, což poskytuje spolehlivější zdroj světla pro aplikace, jako jsou optické pinzety a manipulace s mikročásticemi.
Holografické optické pinzety: Systém holografických optických pinzet vyvinutý naší společností, založený na SLM, umožňuje načítání a konverzi holografických obrazů v reálném čase pomocí počítače. Tím se generuje požadované světelné pole v ohniskové rovině objektivu, což umožňuje nezávislou dynamickou manipulaci s mikročásticemi v jakékoli optické pasti v rámci pole.
Systém holografických optických pinzet
Technologie holografických optických pinzet dokáže generovat optické pasti se speciálními režimy, jako jsou Laguerre-Gaussovy paprsky, Besselovy paprsky a Airyho paprsky, modulací vlnoplochy dopadajícího světla. To umožňuje funkce, jako je rotace, transport a třídění mikročástic.
Holografické zobrazování v reálném čase 3D: Za hranicemi tradičního renderování
V červenci 2025 Stanfordská univerzita a společnost Meta představily světu VR headset o tloušťce pouhých 3 milimetry. Toto zařízení využívá prostorové modulátory světla (SLM) a technologii vlnovodů v kombinaci s algoritmy umělé inteligence k promítání skutečných holografických obrazů přímo do očí uživatele, čímž vytváří vizuální zážitek, který je neuvěřitelně realistický jak ve vnímání, tak i na dotek.
Technologie holografického zobrazování se ohromujícím tempem přesouvá z laboratoří do komerčních aplikací, přičemž hlavní hnací silou je hluboká integrace hlubokého učení a prostorových modulátorů světla. Tým Shi Liang z MIT využil konvoluční neuronové sítě (CNN) k urychlení výpočtů 3D holografického zobrazování pro AR/VR, přičemž optimalizovaná tenzorová konvoluční neuronová síť pracuje o několik řádů rychleji než výpočty založené na fyzice. Podobně tým Suyeon Choi ze Stanfordovy univerzity použil CNN v rámci PyTorch a dosáhl bezprecedentní kvality obrazu v 3D holografickém zobrazování s využitím prostorových modulátorů světla. Produkty SLM, které jsme sami vyvinuli, s vysokými obnovovacími frekvencemi a vysokou fázovou přesností poskytují ideální hardwarovou platformu pro takové holografické algoritmy řízené umělou inteligencí, což umožňuje generování holografického obrazu v reálném čase.
Barevný holografický systém
Naše společnost vyvinula barevný holografický systém, který je založen na fázovém prostorovém modulátoru světla (SLM) z tekutých krystalů. Barevné holografické reprodukce dosahuje na principu časového multiplexování, kde laserové zdroje R, G a B spolu s odpovídajícími tříbarevnými hologramy na SLM modulují světelné pole stejnou sekvenční rychlostí. Pozorování barevného holografického obrazu lze dosáhnout pomocí bílé stínítka nebo CCD přijímače.
Výsledky testů:
Napsáno na konci
Strojové učení, hluboké učení a neuronové sítě tvoří evoluční uzavřenou smyčku „nástroj-architektura-paradigma“: ML poskytuje metodologický rámec, NN stanoví výpočetní základ a DL uvolňuje schopnost zpracovávat komplexní data prostřednictvím hlubokých architektur. S prohlubující se integrací umělé inteligence a optických technologií vstupují prostorové modulátory světla do širšího vývojového prostoru. Jako „dynamický štětec“ pro programování světelného pole mění SLM v kombinaci s „inteligentními algoritmy“ hlubokého učení paradigma designu moderních optických systémů. V budoucnu se díky hluboké spolupráci algoritmů a hardwaru integrované systémy SLM-AI stanou hlavním motorem optických výpočtů a inteligentního vnímání.
Reference:
[1] Wenqi Ma, Huimin Lu, Jianping Wang a kol. Generování vírového paprsku na základě prostorového modulátoru světla a hlubokého učení [J]. Optics Journal, 2021, 41(11): 79-85.