പൂർണ്ണമായും കൺവോൾഷണൽ ന്യൂറൽ നെറ്റ്വർക്ക് ഉപയോഗിച്ച് മൾട്ടി-ഡെപ്ത് 3D ഹോളോഗ്രാമുകൾ സൃഷ്ടിക്കുന്നു
സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്റർ എന്നത് ഒരു ഒപ്റ്റിക്കൽ ഉപകരണമാണ്, അത് സജീവ നിയന്ത്രണത്തിലുള്ള ഇൻപുട്ട് ലൈറ്റിന്റെ ആംപ്ലിറ്റ്യൂഡ്, ഫേസ്, മറ്റ് പാരാമീറ്ററുകൾ എന്നിവ മോഡുലേറ്റ് ചെയ്യുന്നതിന് അതിന്റേതായ ഗുണങ്ങൾ ഉപയോഗിക്കുന്നു, കൂടാതെ ലൈറ്റ് വേവ് ഫ്രണ്ടിന്റെയും ലൈറ്റ് വേവ് ബീമിന്റെയും ക്വാണ്ടൈസേഷനും ഡയറക്റ്റിവിറ്റിയും നിയന്ത്രിച്ചുകൊണ്ട് അന്തിമ സ്വീകരിക്കുന്ന പ്രതലത്തിൽ പ്രതീക്ഷിക്കുന്ന പ്രകാശ മണ്ഡല വിതരണം നേടുന്നു. ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകളിലേക്കുള്ള സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററുകളുടെ പ്രയോഗം പതിറ്റാണ്ടുകളായി വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്, സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററുകളുടെ മോഡുലേഷൻ കൃത്യത മെച്ചപ്പെടുത്തുകയും കമ്പ്യൂട്ടേഷണൽ അൽഗോരിതങ്ങളുടെ തുടർച്ചയായ ഒപ്റ്റിമൈസേഷൻ നടത്തുകയും ചെയ്തതോടെ, മെഷീൻ വിഷൻ, മെഡിക്കൽ ഇമേജ് പ്രോസസ്സിംഗ്, ഒപ്റ്റിക്കൽ സെൻസർ നെറ്റ്വർക്കുകൾ, മറ്റ് മേഖലകൾ എന്നിവയിലെ സാധ്യതയുള്ള ആപ്ലിക്കേഷനുകൾ ഉപയോഗിച്ച് ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ വലിയ സാധ്യതകൾ തുടർച്ചയായി പര്യവേക്ഷണം ചെയ്യപ്പെട്ടു.
ഒരു ഫുള്ളി കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്ക് (FCN) ഉപയോഗിച്ച് മൾട്ടി-ഡെപ്ത് ഫേസ് ഹോളോഗ്രാഫി സൃഷ്ടിക്കുന്നതിനുള്ള ഒരു രീതി ഈ പ്രബന്ധം അവതരിപ്പിക്കുന്നു. മൾട്ടി-ഡെപ്ത് ഡിഫ്രാക്റ്റഡ് ഫീൽഡ് കണക്കാക്കുന്നതിനുള്ള ഒരു ഫോർവേഡ്-ബാക്ക്വേർഡ് ഡിഫ്രാക്ഷൻ ഫ്രെയിംവർക്കും, ഒക്ലൂഷൻ ബന്ധം കൈകാര്യം ചെയ്യുന്നതിനുള്ള ഒരു ലെയർ-ബൈ-ലെയർ റീപ്ലേസ്മെന്റ് രീതിയും (L2RM) ഈ രീതിയിൽ പ്രധാനമായും ഉൾപ്പെടുന്നു. ആദ്യത്തേത് കണക്കാക്കിയ ഡിഫ്രാക്റ്റഡ് ഫീൽഡുകൾ നന്നായി രൂപകൽപ്പന ചെയ്ത ഒരു FCN-ലേക്ക് ഫീഡ് ചെയ്യുന്നു, ഇത് 3D സീനിന്റെ മൾട്ടി-ഡെപ്ത് ഹോളോഗ്രാം സൃഷ്ടിക്കുന്നതിന് അതിന്റെ ശക്തമായ നോൺ-ലീനിയർ ഫിറ്റിംഗ് കഴിവ് ഉപയോഗിക്കുന്നു. ഒക്ലൂഡ് ചെയ്ത വസ്തുക്കളുടെ വിവരങ്ങൾ പൂരകമാക്കുന്നതിലൂടെയും രംഗ പുനർനിർമ്മാണത്തിലെ വ്യത്യസ്ത പാളികളുടെ അതിരുകൾ സുഗമമാക്കുന്നതിലൂടെയും ഹോളോഗ്രാമിന്റെ പുനർനിർമ്മാണ നിലവാരം മെച്ചപ്പെടുത്താൻ രണ്ടാമത്തേതിന് കഴിയും. കോർ കമ്പോണന്റ് സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിൽ (SLM) കമ്പ്യൂട്ടർ-ജനറേറ്റഡ് ഹോളോഗ്രാം (CGH) ലോഡ് ചെയ്യുന്നതിലൂടെ പരീക്ഷണങ്ങളിൽ പുതുക്കുന്നതും ചലനാത്മകവുമായ 3D ഡിസ്പ്ലേകൾ കൈവരിക്കാനാകും.
പരീക്ഷണ നടപടിക്രമത്തിന്റെയും പരീക്ഷണ ഫലങ്ങളുടെയും ഭാഗം:
ചിത്രം 1-ൽ കാണിച്ചിരിക്കുന്നതുപോലെ, 638 (±8) nm തരംഗദൈർഘ്യവും 30 mW പവറും ഉള്ള ഒരു നോൺ-പോളറൈസ്ഡ് സെമികണ്ടക്ടർ ലേസർ പരീക്ഷണങ്ങളിൽ ഉപയോഗിച്ചു. ഫൈബറിന്റെ ഔട്ട്പുട്ട് 100 mm ഫോക്കൽ ലെങ്ത് ഉള്ള ഒരു കൊളിമേറ്റഡ് ലെൻസിന്റെ ഫോക്കൽ പോയിന്റിൽ സ്ഥാപിച്ച് ഒരു പ്ലെയിൻ വേവ് ലഭിച്ചു, കൂടാതെ ഒരു ലൈൻ പോളറൈസ്ഡ് ലൈറ്റ് ലഭിക്കുന്നതിന് ഒരു ന്യൂട്രൽ ഡെൻസിറ്റി ഫിൽട്ടർ ഒരു അറ്റൻവേറ്ററായും പോളറൈസറായും ഉപയോഗിച്ചു. ഒരു ഹാഫ്-വേവ് പ്ലേറ്റ് (HWP) തിരിക്കുകയും അങ്ങനെ പ്രകാശ ധ്രുവീകരണത്തിന്റെ ദിശ LCOS കോളിമേഷൻ ആംഗിളിന്റെ ദിശയുമായി വിന്യസിക്കുകയും തുടർന്ന് ഒരു ദീർഘചതുരാകൃതിയിലുള്ള പ്രൊഫൈൽ ലഭിക്കുന്നതിന് ഒരു ദീർഘചതുരാകൃതിയിലുള്ള അപ്പർച്ചർ ചേർക്കുകയും ചെയ്തു. ഒരു സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്റർ (Zhongke Microstar FSLM-4K70-P02) ഉപയോഗിച്ച് ഇൻസിഡന്റ് ലൈറ്റ് ഘട്ടം മോഡുലേറ്റ് ചെയ്യുകയും പ്രതിഫലിപ്പിക്കുകയും ചെയ്തു, 100 mm ഫോക്കൽ ലെങ്ത് ഉള്ള ഒരു ഫ്യൂറിയർ ലെൻസ് ഉപയോഗിച്ച് രംഗം കൂടുതൽ മാഗ്നിഫിക്കേഷൻ വഴി പുനർനിർമ്മിച്ചു. ആവശ്യമുള്ള ഡിഫ്രാക്ഷൻ ഓർഡർ കടന്നുപോകുന്നതിനും മറ്റ് ഡിഫ്രാക്ഷൻ ഓർഡറുകൾ ഫിൽട്ടർ ചെയ്യുന്നതിനും ഒരു സ്പേഷ്യൽ ഫിൽട്ടർ ഉപയോഗിക്കുന്നു. പുനർനിർമ്മിച്ച വലുതാക്കിയ 3D രംഗം ഒരു ക്യാമറ ഉപയോഗിച്ച് പകർത്തി.
ചിത്രം 1 പരീക്ഷണാത്മക സജ്ജീകരണം (ഫേസ്-ടൈപ്പ് സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്റർ, മോഡൽ: FSLM-4K70-P02)
പരീക്ഷണത്തിൽ ഉപയോഗിച്ച സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ പാരാമീറ്റർ സ്പെസിഫിക്കേഷനുകൾ ഇപ്രകാരമാണ്:
| മോഡൽ | FSLM-4K70-P02 ന്റെ സവിശേഷതകൾ | മോഡുലേഷൻ | ഫേസ് തരം |
| എൽസിഒഎസ് തരം | പ്രതിഫലനം | ഗ്രേസ്കെയിൽ ലെവൽ | 8 ബിറ്റ്, 256 ഓർഡർ |
| റെസല്യൂഷൻ | 4094×2400 | ചിത്രത്തിന്റെ വലുപ്പം | 3.74μm |
| ഫലപ്രദമായ പ്രദേശം | 0.7" | പഹസെ ശ്രേണി | 2π@633nm |
| ഫിൽ ഫാക്ടർ | 90% | ഒപ്റ്റിക്കൽ ഉപയോഗം | 60%@532nm |
| അഓറിയന്റേഷൻ | 0° | ഡിഫ്രാക്ഷൻ കാര്യക്ഷമത | ＞97%@32 ഓർഡർ 633nm |
| പുതുക്കൽ ആവൃത്തി | 30 ഹെർട്സ് | സ്പെക്ട്രൽ ശ്രേണി | 420nm-750nm |
| നാശനഷ്ട പരിധി | 2W/സെ.മീ² | രപ്രതികരണ സമയം | 10.8ms കൂടി, 18.5ms കുറഞ്ഞു |
| പവർ ഇൻപുട്ട് | 12വി 2എ | ഡാറ്റ ഇന്റർഫേസ് | എച്ച്ഡിഎംഐ |
ചിത്രം 2. 3D ഗ്രാഫിക്കൽ ഡാറ്റാസെറ്റിന്റെ ജനറേഷൻ. A) 3D റാൻഡം സീൻ. B) സാമ്പിൾ പ്രക്രിയ. C) തീവ്രത ചിത്രം. D) ഡെപ്ത് ചിത്രം. E) 3D ഗ്രാഫിക്കൽ ഡാറ്റാസെറ്റ്.
ചിത്രം 3 FCN ഉപയോഗിച്ച് മൾട്ടി-ഡെപ്ത് ഹോളോഗ്രാമുകളുടെ ജനറേഷൻ. a) ഫ്രണ്ട്-ബാക്ക് ഡിഫ്രാക്ഷൻ ഫ്രെയിംവർക്ക് ഉപയോഗിച്ച് മൾട്ടി-ഡെപ്ത് ഡിഫ്രാക്റ്റഡ് ഫീൽഡുകളുടെ കണക്കുകൂട്ടൽ. b) FCN-ന്റെ ഘടന. c) മൾട്ടി-ഡെപ്ത് പിശകിന്റെ കണക്കുകൂട്ടൽ.
ചിത്രം 4. പുനർനിർമ്മാണങ്ങളുടെ ഗുണനിലവാര താരതമ്യം. എ) ലക്ഷ്യ രംഗം. ബി) സ്റ്റാൻഡേർഡ് രീതിയുടെയും L2RM ന്റെയും സംഖ്യാ പുനർനിർമ്മാണം യഥാക്രമം. സി) സ്റ്റാൻഡേർഡ് രീതിയുടെയും L2RM ന്റെയും ഒപ്റ്റിക്കൽ പുനർനിർമ്മാണം യഥാക്രമം.
ചിത്രം 5. സങ്കീർണ്ണമായ 3D ദൃശ്യവും അനുബന്ധ ഹോളോഗ്രാമും. A) തീവ്രതാ ചിത്രവും B) 3D ദൃശ്യത്തിന്റെ ആഴത്തിലുള്ള ചിത്രവും. C) FCN സൃഷ്ടിച്ച മൾട്ടി-ഡെപ്ത് ഹോളോഗ്രാം.
ചിത്രം 6. A) WH, B) DPH, C) L2RM എന്നിവയുടെ സംഖ്യാ പുനർനിർമ്മാണവും ഒപ്റ്റിക്കൽ പുനർനിർമ്മാണവും. 1, 3, 5 എന്നീ വരികളിലെ ചിത്രങ്ങൾ സംഖ്യാ പുനർനിർമ്മാണത്തെ പ്രതിനിധീകരിക്കുന്നു, അതേസമയം 2, 4, 6 എന്നീ വരികൾ ഒപ്റ്റിക്കൽ പുനർനിർമ്മാണത്തെ ചിത്രീകരിക്കുന്നു. 1, 2 നിരകളിൽ, ക്യാമറ യഥാക്രമം "ഫുട്ബോൾ-ഗിറ്റാർ" ജോഡിയുടെ ഫ്രണ്ട് ഫോക്കസ് തലത്തിലും ("ഫുട്ബോൾ") പിൻ ഫോക്കസ് തലത്തിലും ("ഗിറ്റാർ") ഫോക്കസ് ചെയ്യുന്നു. 3, 4 നിരകളിൽ, ക്യാമറ യഥാക്രമം "എയർപ്ലെയിൻ-ഡോഗ്" ജോഡിയുടെ ഫ്രണ്ട് ഫോക്കസ് തലത്തിലും ("എയർപ്ലെയിൻ") പിൻ ഫോക്കസ് തലത്തിലും ("നായ") ഫോക്കസ് ചെയ്യുന്നു.
ചിത്രം 7. വ്യത്യസ്ത ആഴ തലങ്ങളിൽ പുനർനിർമ്മിച്ച വസ്തുക്കൾ.
അവസാനം എഴുതിയത്:
സമാന്തര വലിയ തോതിലുള്ള കമ്പ്യൂട്ടേഷൻ, കുറഞ്ഞ പവർ പ്രവർത്തനം, വേഗത്തിലുള്ള പ്രതികരണം എന്നിവയ്ക്കുള്ള സാധ്യതയും, ഡിഫ്രാക്റ്റീവ് ഉപകരണങ്ങൾ ഡിഫ്രാക്റ്റീവ് ന്യൂറൽ നെറ്റ്വർക്കുകളിൽ ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നതിനാൽ സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററുകളും, AR/VR-നുള്ള 3D ഹോളോഗ്രാഫിക് ഇമേജിംഗ് കമ്പ്യൂട്ടേഷൻ, ബയോമെഡിക്കൽ ഇമേജിംഗ്, ഒപ്റ്റിക്കൽ സെൻസിംഗ് തുടങ്ങിയ നിരവധി മേഖലകളിൽ ഉപയോഗിക്കുന്നതും ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾക്ക് വളരെയധികം ശ്രദ്ധ ലഭിച്ചു. ഡിഫ്രാക്റ്റീവ് ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ പ്രോഗ്രാമബിലിറ്റിയെ അടിസ്ഥാനമാക്കി, ഭാവിയിൽ ഉയർന്ന പ്രകടനമുള്ള ഡിഫ്രാക്റ്റീവ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ യാഥാർത്ഥ്യമാകുമെന്ന് പ്രതീക്ഷിക്കുന്നു.