IA+SLM: A revolución intelixente dos moduladores de luz espacial

O Modulador Espacial de Luz (SLM) é un dispositivo óptico que controla dinamicamente a distribución da fronte de onda da luz mediante sinais eléctricos ou ópticos. Ao alterar a orientación de Cristal líquido moléculas cun campo eléctrico externo, pode modular a amplitude, a fase ou a polarización da luz, o que permite un control programable en tempo real do campo óptico. Os SLM baseados en cristal líquido, con vantaxes como a fabricación sinxela, o baixo custo, o baixo consumo de enerxía e a facilidade de control, demostraron un rendemento notable en campos como a comunicación óptica, a computación óptica e o procesamento cuántico de información. Nos últimos anos, a integración da intelixencia artificial (IA) coas tecnoloxías ópticas provocou unha revolución. Como dispositivo central para a modulación do campo óptico, os SLM, potenciados pola aprendizaxe profunda e as redes neuronais, están a demostrar un potencial de aplicación sen precedentes.

O poder da integración: cando a aprendizaxe profunda se une á modulación espacial do campo de luz

A aprendizaxe profunda (DL), as redes neuronais (NN) e a aprendizaxe automática (AA) optimizan tarefas complexas mediante modelos baseados en datos. Os sistemas ópticos, caracterizados por un alto paralelismo, baixa latencia e baixo consumo de enerxía, poden superar os obstáculos da computación electrónica tradicional cando se combinan con estas tecnoloxías. O auxe da intelixencia artificial, en particular a integración da aprendizaxe profunda coa tecnoloxía de modulación espacial da luz (SLM), está a traer cambios revolucionarios neste campo.

A aprendizaxe profunda, unha extensión das redes neuronais, extrae características de alto nivel a través de múltiples capas de transformacións non lineais (como capas convolucionais e capas recorrentes). Os principais modelos fundamentais da aprendizaxe profunda inclúen as redes neuronais convolucionais (CNN), as redes neuronais recorrentes (RNN) e as redes xerativas antagónicas (GAN). Nos últimos anos, os avances na aprendizaxe automática, especialmente impulsados ​​pola aprendizaxe profunda, levaron a aplicacións xeneralizadas en Imaxe óptica detección e computación óptica.

A función principal dun modulador espacial de luz (SLM) é controlar a aliñación das moléculas de cristal líquido mediante a voltaxe, modulando así a amplitude ou a fase da luz incidente dun xeito distribuído espacialmente. Os SLM de tipo fase poden lograr a modulación de fase no rango de 0-2π, o que permite un control preciso da fronte de onda para a transformación do feixe. Os SLM transmisivos, por outra banda, son principalmente de tipo amplitude, utilizando o efecto de rotación óptica das válvulas de luz de cristal líquido en combinación con polarizadores e analizadores para alterar a intensidade da luz de saída. Ao aproveitar os métodos de aprendizaxe profunda, os SLM poden acadar obxectivos como o enfoque por difracción sen parámetros e unha mellora... Resolución, o que levou a avances significativos en aplicacións como a imaxe de fase iterativa, a imaxe de superresolución e a imaxe pantasma.

TAvances tecnolóxicos: escenarios de aplicación típicos de SLM intelixentes

Os métodos tradicionais para calcular hologramas adoitan basearse en algoritmos iterativos como o de Gerchberg-Saxton (GS). Aínda que estes algoritmos están ben establecidos, presentan unha baixa eficiencia computacional, especialmente ao xerar campos de luz complexos ou ao requirir control en tempo real, onde as súas limitacións se fan cada vez máis evidentes. A introdución da aprendizaxe profunda ofrece unha nova maneira de abordar este obstáculo.

Diagrama de fluxo do método GS-CNN

En 2021, un equipo de investigación nacional foi pioneiro no algoritmo híbrido GS-CNN, combinando o algoritmo tradicional de Gerchberg-Saxton (GS) con redes neuronais convolucionais. Este método mantén a estabilidade do algoritmo GS ao tempo que aproveita as potentes capacidades de mapeo non lineal das redes neuronais, mellorando significativamente a eficiencia computacional. Os feixes de vórtices de Bessel xerados mediante o método GS-CNN mostran un erro cuadrático medio (RMSE) notablemente menor e unha maior eficiencia de difracción (DE) en comparación cos resultados obtidos co algoritmo GS tradicional.

Resultados do experimento de simulación do método GS-CNN

(a)～(c) Distribucións da intensidade obxectivo dos feixes de Bessel; (d)～(f) Distribucións da intensidade de saída dos feixes de vórtices xerados; (g)～(i) Hologramas de fase LC-SLM dos feixes de vórtices xerados

Usando o método GS-CNN, os investigadores xeraron con éxito feixes de Bessel con diferentes cargas topolóxicas, reducindo significativamente o tempo de computación e mantendo unha alta calidade do feixe. A incorporación da aprendizaxe profunda permite que o sistema aprenda os complexos procesos físicos da propagación do campo luminoso, producindo así rapidamente hologramas de alta calidade. En comparación cos métodos tradicionais, difráctase eficazmente unha maior proporción da enerxía do campo luminoso de entrada, e a diferenza entre a distribución da intensidade e a distribución do obxectivo redúcese notablemente, o que proporciona unha fonte de luz máis fiable para aplicacións como pinzas ópticas e manipulación de micropartículas.

Pinzas ópticas holográficas: O sistema de pinzas ópticas holográficas desenvolvido pola nosa empresa, baseado en SLM, permite a carga e conversión en tempo real de imaxes holográficas a través dun ordenador. Isto xera o campo de luz desexado no plano focal da lente obxectiva, o que permite a manipulación dinámica independente das micropartículas en calquera trampa óptica dentro dunha matriz.

Sistema de pinzas ópticas holográficas

A tecnoloxía das pinzas ópticas holográficas pode xerar trampas ópticas con modos especiais, como feixes de Laguerre-Gaussianos, feixes de Bessel e feixes de Airy, mediante a modulación da fronte de onda da luz incidente. Isto permite funcionalidades como a rotación, o transporte e a clasificación de micropartículas.

Imaxes holográficas 3D en tempo real: máis alá dos límites da renderización tradicional

En xullo de 2025, a Universidade de Stanford e Meta presentaron ao mundo unhas lentes de realidade virtual cun grosor de só 3 milímetros. Este dispositivo utiliza moduladores de luz espacial (SLM) e tecnoloxía de guías de ondas, combinados con algoritmos de intelixencia artificial, para proxectar imaxes holográficas reais directamente nos ollos do usuario, creando unha experiencia visual que resulta incriblemente realista tanto na percepción como no tacto.

A tecnoloxía de imaxes holográficas está a pasar do laboratorio ás aplicacións comerciais a un ritmo asombroso, sendo a forza impulsora principal a profunda integración da aprendizaxe profunda e os moduladores espaciais de luz. O equipo de Shi Liang no MIT aproveitou as redes neuronais convolucionais (CNN) para acelerar os cálculos de imaxes holográficas en 3D para AR/VR, cunha rede neuronal convolucional tensorial optimizada que funciona varias ordes de magnitude máis rápido que os cálculos baseados na física. Do mesmo xeito, o equipo de Suyeon Choi na Universidade de Stanford empregou CNN dentro do marco PyTorch, logrando unha calidade de imaxe sen precedentes en imaxes holográficas en 3D mediante moduladores espaciais de luz. Os produtos SLM de desenvolvemento propio da nosa empresa, que presentan altas taxas de actualización e alta precisión de fase, proporcionan unha plataforma de hardware ideal para estes algoritmos holográficos impulsados ​​por IA, facendo posible a xeración de imaxes holográficas en tempo real.

Sistema holográfico en cor

O sistema holográfico en cor de desenvolvemento propio da nosa empresa baséase nun modulador espacial de luz de cristal líquido (SLM) de tipo fase. Consigue a reprodución holográfica en cor mediante o principio da multiplexación por división do tempo, onde as fontes láser R, G e B, xunto cos hologramas tricolores correspondentes no SLM, modulan o campo de luz á mesma velocidade secuencial. A observación da imaxe holográfica en cor pódese conseguir mediante unha pantalla branca ou un receptor CCD.

Resultados da proba:

Escrito ao final

A aprendizaxe automática, a aprendizaxe profunda e as redes neuronais forman un ciclo pechado evolutivo de "ferramenta-arquitectura-paradigma": a aprendizaxe automática proporciona o marco metodolóxico, as redes neuronais establecen a base computacional e a aprendizaxe por liña libera a capacidade de procesar datos complexos a través de arquitecturas profundas. Coa crecente integración da IA ​​e as tecnoloxías ópticas, os moduladores espaciais de luz están a entrar nun espazo de desenvolvemento máis amplo. Como "pincel dinámico" para a programación de campos de luz, os moduladores espaciais de luz (SLM), cando se combinan cos "algoritmos intelixentes" da aprendizaxe profunda, están a remodelar o paradigma de deseño dos sistemas ópticos modernos. No futuro, coa profunda colaboración de algoritmos e hardware, os sistemas integrados SLM-IA están a piques de converterse no motor central da computación óptica e da percepción intelixente.

Referencias:

[1] Wenqi Ma, Huimin Lu, Jianping Wang e outros. Xeración de feixes de vórtices baseada no modulador espacial de luz e na aprendizaxe profunda [J]. Optics Journal, 2021, 41(11): 79-85.