AI+SLM: სივრცითი სინათლის მოდულატორების ინტელექტუალური რევოლუცია

სივრცითი სინათლის მოდულატორი (SLM) არის ოპტიკური მოწყობილობა, რომელიც დინამიურად აკონტროლებს სინათლის ტალღის ფრონტის განაწილებას ელექტრული ან ოპტიკური სიგნალების მეშვეობით. ორიენტაციის შეცვლით. თხევადი კრისტალი გარე ელექტრული ველის მქონე მოლეკულების წყალობით, მას შეუძლია სინათლის ამპლიტუდის, ფაზის ან პოლარიზაციის მოდულირება, რაც ოპტიკური ველის რეალურ დროში პროგრამირებადი კონტროლის საშუალებას იძლევა. თხევად კრისტალებზე დაფუძნებული SLM-ები, ისეთი უპირატესობებით, როგორიცაა მარტივი დამზადება, დაბალი ღირებულება, დაბალი ენერგომოხმარება და მართვის სიმარტივე, შესანიშნავ შედეგებს აჩვენებენ ისეთ სფეროებში, როგორიცაა ოპტიკური კომუნიკაცია, ოპტიკური გამოთვლები და კვანტური ინფორმაციის დამუშავება. ბოლო წლებში ხელოვნური ინტელექტის (AI) ოპტიკურ ტექნოლოგიებთან ინტეგრაციამ რევოლუცია გამოიწვია. როგორც ოპტიკური ველის მოდულაციის ძირითადი მოწყობილობა, ღრმა სწავლებისა და ნეირონული ქსელების მხარდაჭერით აღჭურვილი SLM-ები უპრეცედენტო გამოყენების პოტენციალს აჩვენებენ.

ინტეგრაციის ძალა: როდესაც ღრმა სწავლება ხვდება სივრცულ სინათლის ველის მოდულაციას

ღრმა სწავლება (DL), ნეირონული ქსელები (NN) და მანქანური სწავლება (ML) მონაცემებზე დაფუძნებული მოდელების საშუალებით ოპტიმიზაციას უკეთებენ რთულ ამოცანებს. ოპტიკურ სისტემებს, რომლებიც ხასიათდება მაღალი პარალელიზმით, დაბალი შეყოვნებით და დაბალი ენერგომოხმარებით, შეუძლიათ გადალახონ ტრადიციული ელექტრონული გამოთვლების შეზღუდვები ამ ტექნოლოგიებთან შერწყმისას. ხელოვნური ინტელექტის აღზევება, განსაკუთრებით ღრმა სწავლების ინტეგრაცია სივრცითი სინათლის მოდულატორის (SLM) ტექნოლოგიასთან, რევოლუციურ ცვლილებებს მოაქვს ამ სფეროში.

ღრმა სწავლება, ნეირონული ქსელების გაფართოება, მაღალი დონის მახასიათებლებს არაწრფივი ტრანსფორმაციების მრავალი ფენის მეშვეობით (როგორიცაა კონვოლუციური ფენები და მორეციდივე ფენები) იღებს. ღრმა სწავლების ძირითადი ფუნდამენტური მოდელებია კონვოლუციური ნერვული ქსელები (CNN), მორეციდივე ნერვული ქსელები (RNN) და გენერაციულ მოწინააღმდეგე ქსელები (GAN). ბოლო წლებში მანქანური სწავლების განვითარებამ, განსაკუთრებით ღრმა სწავლებით განპირობებულმა, ფართო გამოყენება გამოიწვია... ოპტიკური გამოსახულება აღმოჩენა და ოპტიკური გამოთვლები.

სივრცითი სინათლის მოდულატორის (SLM) ძირითადი ფუნქციაა თხევადკრისტალური მოლეკულების განლაგების კონტროლი ძაბვის მეშვეობით, რითაც ხდება დაცემული სინათლის ამპლიტუდის ან ფაზის სივრცით განაწილებული გზით მოდულირება. ფაზური ტიპის SLM-ებს შეუძლიათ ფაზური მოდულაციის მიღწევა 0-2π დიაპაზონში, რაც საშუალებას იძლევა სხივის ტრანსფორმაციის ტალღის ფრონტის ზუსტი კონტროლისთვის. მეორეს მხრივ, გამტარი SLM-ები, ძირითადად, ამპლიტუდური ტიპისაა და იყენებენ თხევადკრისტალური სინათლის სარქველების ოპტიკურ ბრუნვის ეფექტს პოლარიზატორებთან და ანალიზატორებთან კომბინაციაში გამომავალი სინათლის ინტენსივობის შესაცვლელად. ღრმა სწავლების მეთოდების გამოყენებით, SLM-ებს შეუძლიათ მიაღწიონ ისეთ მიზნებს, როგორიცაა პარამეტრების გარეშე დიფრაქციული ფოკუსირება და გაუმჯობესებული... გარჩევადობარამაც მნიშვნელოვანი წინსვლა გამოიწვია ისეთ აპლიკაციებში, როგორიცაა იტერაციული ფაზური გამოსახულება, სუპერ გარჩევადობის გამოსახულება და მოჩვენებითი გამოსახულება.

ტტექნოლოგიური მიღწევები: ინტელექტუალური SLM-ების გამოყენების ტიპიური სცენარები

ჰოლოგრამების გამოთვლის ტრადიციული მეთოდები ხშირად ეყრდნობა ისეთ იტერაციულ ალგორითმებს, როგორიცაა გერხბერგ-საქსტონის (GS). მიუხედავად იმისა, რომ ეს ალგორითმები კარგად არის დამკვიდრებული, მათ დაბალი გამოთვლითი ეფექტურობა ახასიათებთ, განსაკუთრებით რთული სინათლის ველების გენერირებისას ან რეალურ დროში კონტროლის საჭიროებისას, სადაც მათი შეზღუდვები სულ უფრო აშკარა ხდება. ღრმა სწავლების დანერგვა ამ შეფერხების მოსაგვარებლად ახალ მიდგომას გვთავაზობს.

GS-CNN მეთოდის დიაგრამა

2021 წელს, ადგილობრივმა კვლევითმა ჯგუფმა პიონერად შექმნა GS-CNN ჰიბრიდული ალგორითმი, რომელიც ტრადიციულ გერხბერგ-საქსტონის (GS) ალგორითმს კონვოლუციურ ნეირონულ ქსელებთან აერთიანებს. ეს მეთოდი ინარჩუნებს GS ალგორითმის სტაბილურობას და ამავდროულად იყენებს ნეირონული ქსელების ძლიერ არაწრფივ რუკების შესაძლებლობებს, რაც მნიშვნელოვნად აუმჯობესებს გამოთვლით ეფექტურობას. GS-CNN მეთოდით გენერირებული ბესელის მორევი სხივები მნიშვნელოვნად დაბალ საშუალო კვადრატულ შეცდომას (RMSE) და უფრო მაღალ დიფრაქციულ ეფექტურობას (DE) ავლენს ტრადიციული GS ალგორითმით მიღებულ შედეგებთან შედარებით.

GS-CNN მეთოდის სიმულაციური ექსპერიმენტის შედეგები

(ა)~(გ) ბესელის სხივების სამიზნე ინტენსივობის განაწილება; (დ)~(ვ) გენერირებული ვორტექსური სხივების გამოსასვლელი ინტენსივობის განაწილება; (ზ)~(ი) გენერირებული ვორტექსური სხივების LC-SLM ფაზური ჰოლოგრამები

GS-CNN მეთოდის გამოყენებით, მკვლევარებმა წარმატებით შექმნეს ბესელის სხივები სხვადასხვა ტოპოლოგიური მუხტით, რამაც მნიშვნელოვნად შეამცირა გამოთვლის დრო და ამავდროულად შეინარჩუნა მაღალი სხივის ხარისხი. ღრმა სწავლების ინტეგრირება სისტემას საშუალებას აძლევს, შეისწავლოს სინათლის ველის გავრცელების რთული ფიზიკური პროცესები, რითაც სწრაფად წარმოქმნის მაღალი ხარისხის ჰოლოგრამებს. ტრადიციულ მეთოდებთან შედარებით, შემავალი სინათლის ველის ენერგიის უფრო დიდი ნაწილი ეფექტურად დიფრაქცირდება და ინტენსივობის განაწილებასა და სამიზნის განაწილებას შორის სხვაობა მნიშვნელოვნად მცირდება, რაც უზრუნველყოფს უფრო საიმედო სინათლის წყაროს ისეთი აპლიკაციებისთვის, როგორიცაა ოპტიკური პინცეტი და მიკრონაწილაკების მანიპულირება.

ჰოლოგრაფიული ოპტიკური პინცეტი: ჩვენი კომპანიის მიერ შემუშავებული ჰოლოგრაფიული ოპტიკური პინცეტების სისტემა, რომელიც დაფუძნებულია SLM-ებზე, საშუალებას იძლევა ჰოლოგრაფიული გამოსახულებების რეალურ დროში ჩატვირთვა და კონვერტაცია კომპიუტერის მეშვეობით. ეს წარმოქმნის სასურველ სინათლის ველს ობიექტივის ფოკალურ სიბრტყეში, რაც საშუალებას იძლევა მიკრონაწილაკების დამოუკიდებელი დინამიური მანიპულირება მოხდეს მასივის ფარგლებში ნებისმიერ ოპტიკურ ხაფანგში.

ჰოლოგრაფიული ოპტიკური პინცეტების სისტემა

ჰოლოგრაფიული ოპტიკური პინცეტის ტექნოლოგიას შეუძლია შექმნას ოპტიკური ხაფანგები სპეციალური რეჟიმებით, როგორიცაა ლაგერ-გაუსის სხივები, ბესელის სხივები და აირის სხივები, დაცემული სინათლის ტალღის ფრონტის მოდულირებით. ეს საშუალებას იძლევა განხორციელდეს ისეთი ფუნქციები, როგორიცაა მიკრონაწილაკების ბრუნვა, ტრანსპორტირება და დახარისხება.

რეალურ დროში 3D ჰოლოგრაფიული გამოსახულება: ტრადიციული რენდერინგის საზღვრებს მიღმა

2025 წლის ივლისში, სტენფორდის უნივერსიტეტმა და Meta-მ მსოფლიოს წარუდგინეს VR ყურსასმენი, რომლის სისქე მხოლოდ 3 მილიმეტრია. ეს მოწყობილობა იყენებს სივრცითი სინათლის მოდულატორებს (SLM) და ტალღის გამტარ ტექნოლოგიას, ხელოვნური ინტელექტის ალგორითმებთან ერთად, რათა რეალური ჰოლოგრაფიული გამოსახულებები პირდაპირ მომხმარებლის თვალში გადაიტანოს, რაც ქმნის ვიზუალურ გამოცდილებას, რომელიც წარმოუდგენლად რეალისტურია როგორც აღქმისას, ასევე შეხებისას.

ჰოლოგრაფიული გამოსახულების ტექნოლოგია გასაოცარი ტემპით გადადის ლაბორატორიიდან კომერციულ აპლიკაციებზე, რომლის ძირითადი მამოძრავებელი ძალა ღრმა სწავლებისა და სივრცითი სინათლის მოდულატორების ღრმა ინტეგრაციაა. MIT-ის ში ლიანგის გუნდმა გამოიყენა კონვოლუციური ნეირონული ქსელები (CNN) AR/VR-ისთვის 3D ჰოლოგრაფიული გამოსახულების გამოთვლების დასაჩქარებლად, სადაც ოპტიმიზირებული ტენზორული კონვოლუციური ნეირონული ქსელი ფიზიკაზე დაფუძნებული გამოთვლების რამდენიმე რიგით უფრო სწრაფად მუშაობს. ანალოგიურად, სტენფორდის უნივერსიტეტის სუიონ ჩოის გუნდმა გამოიყენა CNN-ები PyTorch ჩარჩოში, რამაც სივრცითი სინათლის მოდულატორების გამოყენებით 3D ჰოლოგრაფიულ გამოსახულებაში უპრეცედენტო გამოსახულების ხარისხი მიაღწია. ჩვენი კომპანიის მიერ შემუშავებული SLM პროდუქტები, მაღალი განახლების სიხშირით და მაღალი ფაზური სიზუსტით, ქმნის იდეალურ აპარატურულ პლატფორმას ასეთი ხელოვნური ინტელექტით მართული ჰოლოგრაფიული ალგორითმებისთვის, რაც რეალურ დროში ჰოლოგრაფიული გამოსახულების გენერირებას შესაძლებელს ხდის.

ფერის ჰოლოგრაფიული სისტემა

ჩვენი კომპანიის მიერ შემუშავებული ფერადი ჰოლოგრაფიული სისტემა დაფუძნებულია ფაზური ტიპის თხევადკრისტალურ სივრცულ სინათლის მოდულატორზე (SLM). ის აღწევს ფერის ჰოლოგრაფიულ რეპროდუქციას დროის გაყოფის მულტიპლექსირების პრინციპით, სადაც R, G და B ლაზერული წყაროები, SLM-ზე შესაბამის სამფეროვან ჰოლოგრამებთან ერთად, სინათლის ველს ერთი და იგივე თანმიმდევრული სიჩქარით მოდულირებენ. ფერადი ჰოლოგრაფიული გამოსახულების დაკვირვება შესაძლებელია თეთრი ეკრანის ან CCD მიმღების გამოყენებით.

ტესტის შედეგები:

დაწერილია ბოლოს

მანქანური სწავლება, ღრმა სწავლება და ნეირონული ქსელები ქმნიან „ინსტრუმენტ-არქიტექტურა-პარადიგმის“ ევოლუციურ დახურულ ციკლს: მანქანური სწავლება უზრუნველყოფს მეთოდოლოგიურ ჩარჩოს, ნეირონული სწავლება ადგენს გამოთვლით საფუძველს, ხოლო DL ათავისუფლებს რთული მონაცემების დამუშავების შესაძლებლობას ღრმა არქიტექტურების მეშვეობით. ხელოვნური ინტელექტისა და ოპტიკური ტექნოლოგიების ინტეგრაციის გაღრმავებასთან ერთად, სივრცითი სინათლის მოდულატორები უფრო ფართო განვითარების სივრცეში შედიან. სინათლის ველის პროგრამირების „დინამიური ფუნჯის“ სახით, SLM-ები, ღრმა სწავლების „ინტელექტუალურ ალგორითმებთან“ შერწყმისას, ცვლის თანამედროვე ოპტიკური სისტემების დიზაინის პარადიგმას. მომავალში, ალგორითმებისა და აპარატურის ღრმა თანამშრომლობით, SLM-AI ინტეგრირებული სისტემები მზად არიან გახდნენ ოპტიკური გამოთვლებისა და ინტელექტუალური აღქმის ძირითადი ძრავა.

ცნობები:

[1] ვენქი მა, ჰუიმინ ლუ, ჯიანპინგ ვანგი და სხვ. სივრცითი სინათლის მოდულატორისა და ღრმა სწავლების საფუძველზე მორევის სხივის გენერირება [J]. Optics Journal, 2021, 41(11): 79-85.