Conception et recherche expérimentale de l'holographie à multiplexage du moment angulaire orbital basée sur un réseau neuronal à diffraction optique

Informations sur la thèse :

Avec le développement des réseaux neuronaux, la recherche sur les réseaux neuronaux optiques (RNO) a suscité un vif intérêt. Partant des théories fondamentales de l'optique diffractive, de la lumière diffusée, des interférences optiques et de la transformée de Fourier optique, les chercheurs ont réussi à réaliser le fonctionnement optique linéaire des réseaux neuronaux grâce à divers dispositifs et matériaux optiques. Ils ont également optimisé la capacité de prédiction et d'inférence des RNO en introduisant des cristaux optiques, des dispositifs photovoltaïques et des modulateurs spatiaux de lumière pour réaliser la fonction d'activation non linéaire optique, ce qui a grandement facilité le développement des RNO. Grâce à ses caractéristiques flexibles et programmables, le modulateur spatial de lumière offre une aide précieuse pour l'optimisation et la mise en œuvre expérimentale du chemin optique.

Fig.1.Schéma du dispositif expérimental d'holographie multiplexée OAM basée sur ODNN. La carte de phase spirale et l'hologramme multiplexé OAM sont chargés respectivement dans SLM1 et SLM2. Après filtrage et expansion du faisceau, la lumière cohérente est modulée en un faisceau vortex par SLM1, lequel est ensuite irradié sur SLM2 pour décoder les informations cibles correspondantes dans l'hologramme multiplexé OAM. Enfin, l'image cible est reconstruite par la caméra.

Fig.2.Schéma du processus physique de l'holographie multiplexée OAM basée sur ODNN. L'hologramme multiplexé OAM optimisé est utilisé pour reconstruire l'image cible correspondante sous différentes irradiations lumineuses vortex.

Fig.3.Structure d'un réseau neuronal pour l'holographie multiplexée OAM basée sur un ODNN. Le processus physique de l'holographie multiplexée OAM est implémenté comme processus de propagation directe d'ODNN. Pendant la phase d'apprentissage, la phase spirale et l'image cible échantillonnée servent respectivement d'entrées et d'étiquettes de fonction d'évaluation pour le réseau neuronal. Sur la base des résultats de sortie du réseau, l'algorithme de rétropropagation des erreurs est utilisé pour optimiser itérativement la structure du réseau neuronal et les valeurs de modulation de phase des neurones. Enfin, un hologramme multiplexé OAM capable de reconstruire les images cibles correspondantes sous différentes entrées est obtenu au niveau de la couche cachée.

Fig.4.Organigramme de conception global d'une holographie multiplexée OAM basée sur un ODNN, où le processus physique de la figure 1 est implémenté comme processus de propagation directe du réseau neuronal. Lors d'une itération, une carte de phase spirale et une image cible sont entrées dans l'ODNN, et l'hologramme de multiplexage OAM est mis à jour par propagation directe, calcul de la fonction d'évaluation et descente de gradient. Une période d'apprentissage est composée de plusieurs itérations, et chaque carte de phase spirale et image cible du jeu de données d'apprentissage est entrée dans l'ODNN afin d'optimiser itérativement l'hologramme de multiplexage OAM. Le processus d'apprentissage complet comprend plusieurs périodes, et la convergence de l'algorithme est déterminée en surveillant la valeur moyenne de la fonction d'évaluation de chaque période, c'est-à-dire en vérifiant si la qualité de l'image ne s'améliore plus.

Fig.5.Résultats de simulation de l'holographie multiplexée OAM basée sur ODNN. (a) Images d'intensité lumineuse normalisées de 36 cibles reconstruites par holographie sous 36 faisceaux vortex différents, avec le nombre dans le coin inférieur droit représentant la charge topologique correspondante l du faisceau vortex d'entrée. (b) L'image d'intensité lumineuse normalisée du chiffre "0" dans la reconstruction holographique, avec la carte de phase en spirale d'entrée correspondante dans le coin inférieur droit, et l'encart en bas montre une image agrandie d'une zone de 29 × 29 pixels autour d'un seul point lumineux dans l'image reconstruite, ainsi que son profil d'intensité.

Fig.6.Comparaison de la qualité d'imagerie entre la méthode ODNN et la méthode classique. (ad) représente les résultats de comparaison de l'erreur quadratique moyenne (MSE), de σim², de η et du rapport signal/bruit (SNR). Chaque indicateur a été simulé et calculé pour 2 à 36 grandeurs cibles. Les lignes rouge et bleue représentent respectivement les valeurs des indicateurs de la méthode classique et de la méthode ODNN. Le graphique à barres jaunes représente le pourcentage d'amélioration des performances de la méthode ODNN par rapport à la méthode classique. La ligne pointillée jaune représente le pourcentage moyen d'amélioration des performances pour toutes les grandeurs cibles.

Fig. 7.Résultats expérimentaux de l'holographie multiplexée OAM basée sur un réseau ODNN. La première ligne représente la carte de phase spirale de l'entrée l = 3, −3, 8, −8, 13, −13 ; la deuxième ligne représente l'image normalisée de l'intensité lumineuse de la cible reconstruite simulée correspondante ; et la troisième ligne représente l'image normalisée de l'intensité lumineuse de la cible reconstruite obtenue lors de l'expérience. Les valeurs en haut à gauche et en bas à droite des résultats de simulation et expérimentaux représentent respectivement η (%) et le rapport signal/bruit (en nombre).

Les paramètres du modulateur spatial de lumière utilisé dans cette expérience sont les suivants :

De plus, nous avons lancé la même version à haute réflectivité du modulateur de lumière spatiale FSLM-2K70-P02HR, qui a une réflectivité de plus de 95 %.

Nouveaux produits à haute réflectivité 2K × 2K et à haute utilisation optique

Récemment, notre société a relancé la série de modulateurs de lumière spatiaux de type phase réfléchissante à haute réflectivité et à haute utilisation optique FSLM-2K73-P02HR, avec une conception de surface cible carrée de grande taille, une linéarité de phase élevée et une profondeur de bits élevée, ce qui améliore l'utilisation optique et améliore la précision de la modulation en même temps, et continue de stimuler le développement de la recherche scientifique et de viser l'excellence.

Écrit à la fin :

Les réseaux de neurones optiques utilisent des systèmes optiques pour réaliser l'apprentissage automatique. Les modulateurs spatiaux de lumière, importants dispositifs de modulation du champ optique, présentent un avantage naturel lorsqu'ils sont appliqués aux réseaux de neurones optiques, offrant un potentiel considérable pour le calcul parallèle à grande échelle, un fonctionnement à très faible consommation d'énergie et une réponse ultra-rapide. Les réseaux de neurones optiques, technologie de pointe à la croisée des domaines de l'optique et de l'intelligence artificielle, dépassent les limites technologiques des réseaux de neurones artificiels traditionnels et devraient être appliqués et développés dans les domaines de la biomédecine, de la communication optique d'informations et de la vision artificielle.

Lien vers l'article :https://doi.org/10.1364/OE.538350