Σχεδιασμός και πειραματική έρευνα ολογραφίας πολυπλεξίας τροχιογωνιακής ορμής με βάση οπτικό νευρωνικό δίκτυο περίθλασης

Πληροφορίες Διατριβής:

Με την ανάπτυξη των νευρωνικών δικτύων, η έρευνα των οπτικών νευρωνικών δικτύων (ΟΝΝ) έχει λάβει ευρεία προσοχή. Ξεκινώντας από τις βασικές θεωρίες της περιθλαστικής οπτικής, του σκεδαζόμενου φωτός, της οπτικής συμβολής και του οπτικού μετασχηματισμού Fourier, οι ερευνητές έχουν υλοποιήσει με επιτυχία την οπτική γραμμική λειτουργία των νευρωνικών δικτύων χρησιμοποιώντας μια ποικιλία οπτικών συσκευών και υλικών και έχουν βελτιστοποιήσει περαιτέρω την ικανότητα πρόβλεψης και συμπερασματολογίας των ΟΝΝ εισάγοντας οπτικούς κρυστάλλους, φωτοβολταϊκές συσκευές και χωρικούς διαμορφωτές φωτός για να υλοποιήσουν τη μη γραμμική λειτουργία οπτικής ενεργοποίησης, η οποία έχει διευκολύνει σημαντικά την ανάπτυξη οπτικών νευρωνικών δικτύων. Με βάση τα ευέλικτα και προγραμματιζόμενα χαρακτηριστικά του χωρικού διαμορφωτή φωτός, παρέχει μεγαλύτερη βοήθεια για τη βελτιστοποίηση και την πειραματική εφαρμογή της οπτικής διαδρομής.

Σχήμα 1. Σχηματικό διάγραμμα της πειραματικής διάταξης για ολογραφία πολυπλεξίας OAM με βάση το ODNN. Ο σπειροειδής χάρτης φάσης και το ολόγραμμα πολυπλεξίας OAM φορτώνονται στο SLM1 και SLM2, αντίστοιχα. Μετά το φιλτράρισμα και την επέκταση της δέσμης, το συνεκτικό φως διαμορφώνεται σε μια δέσμη στροβίλου από το SLM1, το οποίο ακτινοβολείται στο SLM2 για να αποκωδικοποιήσει τις αντίστοιχες πληροφορίες στόχου στο ολόγραμμα πολυπλεξίας OAM. Τέλος, η εικόνα στόχου ανακατασκευάζεται στην κάμερα.

Σχήμα 2. Σχηματικό διάγραμμα της φυσικής διαδικασίας της ολογραφίας πολυπλεξίας OAM με βάση το ODNN. Το βελτιστοποιημένο ολόγραμμα πολυπλεξίας OAM χρησιμοποιείται για την ανακατασκευή της αντίστοιχης εικόνας-στόχου υπό διαφορετική ακτινοβολία φωτός στροβίλου.

Σχήμα 3. Μια δομή νευρωνικού δικτύου για ολογραφία πολυπλεξίας OAM βασισμένη σε ODNN. Η φυσική διαδικασία της ολογραφίας πολυπλεξίας OAM υλοποιείται ως η διαδικασία εμπρόσθιας διάδοσης του ODNN. Κατά τη φάση εκπαίδευσης, η σπειροειδής φάση και η δειγματοληπτική εικόνα στόχου χρησιμοποιούνται ως είσοδοι και ετικέτες συνάρτησης αξιολόγησης για το νευρωνικό δίκτυο, αντίστοιχα. Με βάση τα αποτελέσματα εξόδου του δικτύου, ο αλγόριθμος οπισθοδιάδοσης σφάλματος χρησιμοποιείται για την επαναληπτική βελτιστοποίηση της δομής του νευρωνικού δικτύου και των τιμών διαμόρφωσης φάσης των νευρώνων. Τέλος, ένα ολόγραμμα πολυπλεξίας OAM που μπορεί να ανακατασκευάσει αντίστοιχες εικόνες στόχου υπό διαφορετικές εισόδους λαμβάνεται στο κρυφό επίπεδο.

Σχήμα 4. Το συνολικό διάγραμμα ροής σχεδιασμού της ολογραφίας πολυπλεξίας OAM που βασίζεται στο ODNN, όπου η φυσική διαδικασία στο Σχήμα 1 υλοποιείται ως η διαδικασία ορθής διάδοσης του νευρωνικού δικτύου. Σε μία επανάληψη, ένας σπειροειδής χάρτης φάσης και μια εικόνα-στόχος εισάγονται στο ODNN και το ολόγραμμα πολυπλεξίας OAM ενημερώνεται μέσω ορθής διάδοσης, υπολογισμού συνάρτησης αξιολόγησης και καθόδου κλίσης. Μια εποχή εκπαίδευσης αποτελείται από πολλαπλές επαναλήψεις και κάθε σπειροειδής χάρτης φάσης και εικόνα-στόχος στο σύνολο δεδομένων εκπαίδευσης εισάγεται στο ODNN για την επαναληπτική βελτιστοποίηση του ολογράμματος πολυπλεξίας OAM. Η πλήρης διαδικασία εκπαίδευσης αποτελείται από πολλαπλές εποχές και η σύγκλιση του αλγορίθμου καθορίζεται παρακολουθώντας τη μέση τιμή της συνάρτησης αξιολόγησης κάθε εποχής, δηλαδή, εάν η ποιότητα απεικόνισης δεν βελτιώνεται πλέον.

Σχήμα 5. Αποτελέσματα προσομοίωσης ολογραφίας πολυπλεξίας OAM με βάση το ODNN. (α) Ομαλοποιημένες εικόνες έντασης φωτός 36 στόχων που ανακατασκευάστηκαν με ολογραφία υπό 36 διαφορετικές δέσμες στροβίλου, με τον αριθμό στην κάτω δεξιά γωνία να αντιπροσωπεύει το αντίστοιχο τοπολογικό φορτίο l της δέσμης στροβίλου εισόδου. (β) Η κανονικοποιημένη εικόνα έντασης φωτός του ψηφίου "0" στην ολογραφική ανακατασκευή, με τον αντίστοιχο χάρτη φάσης σπειροειδούς εισόδου στην κάτω δεξιά γωνία, και το ένθετο στο κάτω μέρος δείχνει μια μεγεθυμένη εικόνα μιας περιοχής 29 × 29 pixel γύρω από ένα μόνο σημείο φωτός στην ανακατασκευασμένη εικόνα, μαζί με το προφίλ έντασής της.

Σχήμα 6. Σύγκριση της ποιότητας απεικόνισης μεταξύ της μεθόδου ODNN και της κλασικής μεθόδου. (ad) αντιπροσωπεύουν τα αποτελέσματα σύγκρισης των MSE, σim 2, η και SNR. Κάθε δείκτης προσομοιώθηκε και υπολογίστηκε για 2-36 ποσότητες-στόχους. Οι κόκκινες και μπλε γραμμές αντιπροσωπεύουν τις τιμές των δεικτών της κλασικής μεθόδου και της μεθόδου ODNN, αντίστοιχα. Το κίτρινο ραβδόγραμμα αντιπροσωπεύει το ποσοστό βελτίωσης της απόδοσης της μεθόδου ODNN σε σύγκριση με την κλασική μέθοδο. Η κίτρινη διακεκομμένη γραμμή αντιπροσωπεύει το μέσο ποσοστό βελτίωσης της απόδοσης σε όλες τις ποσότητες-στόχους.

Σχήμα 7. Πειραματικά αποτελέσματα ολογραφίας πολυπλεξίας OAM με βάση το ODNN. Η πρώτη γραμμή αντιπροσωπεύει τον σπειροειδή χάρτη φάσης της εισόδου l = 3, −3, 8, −8, 13, −13, η δεύτερη γραμμή αντιπροσωπεύει την κανονικοποιημένη εικόνα έντασης φωτός του αντίστοιχου προσομοιωμένου ανακατασκευασμένου στόχου και η τρίτη γραμμή αντιπροσωπεύει την κανονικοποιημένη εικόνα έντασης φωτός του ανακατασκευασμένου στόχου που ελήφθη στο πείραμα. Οι τιμές στην επάνω αριστερή και κάτω δεξιά γωνία των αποτελεσμάτων προσομοίωσης και πειραματισμού αντιπροσωπεύουν η (%) και SNR (σε αριθμό), αντίστοιχα.

Οι παράμετροι του διαμορφωτή χωρικού φωτός που χρησιμοποιήθηκε σε αυτό το πείραμα είναι οι εξής:

Επιπλέον, έχουμε λανσάρει την ίδια έκδοση υψηλής ανακλαστικότητας του διαμορφωτή χωρικού φωτός FSLM-2K70-P02HR, η οποία έχει ανακλαστικότητα άνω του 95%.

2K×2K Υψηλή ανακλαστικότητα και υψηλή οπτική αξιοποίηση Νέα προϊόντα

Πρόσφατα, η εταιρεία μας επανεκκίνησε τη σειρά υψηλής ανακλαστικότητας και υψηλής οπτικής αξιοποίησης του ανακλαστικού διαμορφωτή χωρικού φωτός τύπου φάσης FSLM-2K73-P02HR, με σχεδιασμό τετράγωνης μεγάλης επιφάνειας στόχου, υψηλή γραμμικότητα φάσης και υψηλό βάθος bit, γεγονός που ενισχύει την οπτική αξιοποίηση και βελτιώνει ταυτόχρονα την ακρίβεια διαμόρφωσης, και συνεχίζει να ενισχύει την ανάπτυξη της επιστημονικής έρευνας και να επιδιώκει την αριστεία.

Γραμμένο στο τέλος:

Τα οπτικά νευρωνικά δίκτυα χρησιμοποιούν οπτικά συστήματα για την εκτέλεση μηχανικής μάθησης, και οι χωρικοί διαμορφωτές φωτός, ως σημαντική συσκευή διαμόρφωσης οπτικού πεδίου, έχουν ένα φυσικό πλεονέκτημα όταν εφαρμόζονται σε οπτικά νευρωνικά δίκτυα, προσφέροντας μεγάλες δυνατότητες για παράλληλους υπολογισμούς μεγάλης κλίμακας, λειτουργία εξαιρετικά χαμηλής ισχύος και απόκριση υψηλής ταχύτητας. Τα οπτικά νευρωνικά δίκτυα, ως τεχνολογία αιχμής μεταξύ του τομέα της οπτικής και του τομέα της τεχνητής νοημοσύνης, ξεπερνούν τους τεχνολογικούς περιορισμούς των παραδοσιακών τεχνητών νευρωνικών δικτύων και αναμένεται να εφαρμοστούν και να αναπτυχθούν στους τομείς της βιοϊατρικής, της οπτικής επικοινωνίας πληροφοριών και της μηχανικής όρασης.

Σύνδεσμος άρθρου: https://doi.org/10.1364/OE.538350