ഒപ്റ്റിക്കൽ ഡിഫ്രാക്ഷൻ ന്യൂറൽ നെറ്റ്വർക്കിനെ അടിസ്ഥാനമാക്കിയുള്ള ഓർബിറ്റൽ ആംഗുലർ മൊമെന്റം മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിയുടെ രൂപകൽപ്പനയും പരീക്ഷണാത്മക ഗവേഷണവും.
തീസിസ് വിവരങ്ങൾ:
ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ വികാസത്തോടെ, ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ (ONN) ഗവേഷണത്തിന് വ്യാപകമായ ശ്രദ്ധ ലഭിച്ചു. ഡിഫ്രാക്റ്റീവ് ഒപ്റ്റിക്സ്, സ്കാറ്റേഡ് ലൈറ്റ്, ഒപ്റ്റിക്കൽ ഇന്റർഫെറൻസ്, ഒപ്റ്റിക്കൽ ഫ്യൂറിയർ ട്രാൻസ്ഫോം എന്നിവയുടെ അടിസ്ഥാന സിദ്ധാന്തങ്ങളിൽ നിന്ന് ആരംഭിച്ച്, ഗവേഷകർ വിവിധ ഒപ്റ്റിക്കൽ ഉപകരണങ്ങളും മെറ്റീരിയലുകളും ഉപയോഗിച്ച് ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ ഒപ്റ്റിക്കൽ ലീനിയർ പ്രവർത്തനം വിജയകരമായി തിരിച്ചറിഞ്ഞു, കൂടാതെ ഒപ്റ്റിക്കൽ ക്രിസ്റ്റലുകൾ, ഫോട്ടോവോൾട്ടെയ്ക് ഉപകരണങ്ങൾ, സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററുകൾ എന്നിവ അവതരിപ്പിച്ചുകൊണ്ട് ഒപ്റ്റിക്കൽ നോൺ-ലീനിയർ ആക്ടിവേഷൻ ഫംഗ്ഷൻ സാക്ഷാത്കരിക്കുന്നതിലൂടെ ONN-ന്റെ പ്രവചനവും അനുമാന ശേഷിയും കൂടുതൽ ഒപ്റ്റിമൈസ് ചെയ്തു, ഇത് ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ വികസനത്തിന് വളരെയധികം സഹായിച്ചു. സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ വഴക്കമുള്ളതും പ്രോഗ്രാം ചെയ്യാവുന്നതുമായ സവിശേഷതകളെ അടിസ്ഥാനമാക്കി, ഒപ്റ്റിക്കൽ പാതയുടെ ഒപ്റ്റിമൈസേഷനും പരീക്ഷണാത്മക നിർവ്വഹണത്തിനും ഇത് കൂടുതൽ സഹായം നൽകുന്നു.
ചിത്രം.1. ODNN അടിസ്ഥാനമാക്കിയുള്ള OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിക്കായുള്ള പരീക്ഷണാത്മക സജ്ജീകരണത്തിന്റെ സ്കീമാറ്റിക് ഡയഗ്രം. സ്പൈറൽ ഫേസ് മാപ്പും OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാമും യഥാക്രമം SLM1, SLM2 എന്നിവയിൽ ലോഡ് ചെയ്യുന്നു. ഫിൽട്ടറിംഗിനും ബീം വികാസത്തിനും ശേഷം, കോഹറന്റ് ലൈറ്റ് SLM1 ഉപയോഗിച്ച് ഒരു വോർടെക്സ് ബീമിലേക്ക് മോഡുലേറ്റ് ചെയ്യപ്പെടുന്നു, ഇത് OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാമിലെ അനുബന്ധ ലക്ഷ്യ വിവരങ്ങൾ ഡീകോഡ് ചെയ്യുന്നതിന് SLM2 ലേക്ക് വികിരണം ചെയ്യുന്നു. ഒടുവിൽ, ലക്ഷ്യ ചിത്രം ക്യാമറയിൽ പുനർനിർമ്മിക്കുന്നു.
ചിത്രം.2. ODNN അടിസ്ഥാനമാക്കിയുള്ള OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിയുടെ ഭൗതിക പ്രക്രിയയുടെ സ്കീമാറ്റിക് ഡയഗ്രം. വ്യത്യസ്ത വോർടെക്സ് ലൈറ്റ് റേഡിയേഷനിൽ അനുബന്ധ ടാർഗെറ്റ് ഇമേജ് പുനർനിർമ്മിക്കാൻ ഒപ്റ്റിമൈസ് ചെയ്ത OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാം ഉപയോഗിക്കുന്നു.
ചിത്രം.3. ODNN അടിസ്ഥാനമാക്കിയുള്ള OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിക്ക് വേണ്ടിയുള്ള ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് ഘടന. OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിയുടെ ഭൗതിക പ്രക്രിയ ODNN-ന്റെ ഫോർവേഡ് പ്രൊപ്പഗേഷൻ പ്രക്രിയയായി നടപ്പിലാക്കുന്നു. പരിശീലന ഘട്ടത്തിൽ, സ്പൈറൽ ഫേസും സാമ്പിൾ ചെയ്ത ടാർഗെറ്റ് ഇമേജും യഥാക്രമം ന്യൂറൽ നെറ്റ്വർക്കിനുള്ള ഇൻപുട്ടുകളായും മൂല്യനിർണ്ണയ ഫംഗ്ഷൻ ലേബലുകളായും ഉപയോഗിക്കുന്നു. നെറ്റ്വർക്കിന്റെ ഔട്ട്പുട്ട് ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, ന്യൂറൽ നെറ്റ്വർക്ക് ഘടനയും ന്യൂറോണുകളുടെ ഫേസ് മോഡുലേഷൻ മൂല്യങ്ങളും ആവർത്തിച്ച് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് പിശക് ബാക്ക്പ്രൊപ്പഗേഷൻ അൽഗോരിതം ഉപയോഗിക്കുന്നു. അവസാനമായി, വ്യത്യസ്ത ഇൻപുട്ടുകൾക്ക് കീഴിൽ അനുബന്ധ ടാർഗെറ്റ് ഇമേജുകൾ പുനർനിർമ്മിക്കാൻ കഴിയുന്ന ഒരു OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാം മറഞ്ഞിരിക്കുന്ന പാളിയിൽ ലഭിക്കും.
ചിത്രം.4. ODNN അടിസ്ഥാനമാക്കിയുള്ള OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിയുടെ മൊത്തത്തിലുള്ള ഡിസൈൻ ഫ്ലോചാർട്ട്, ചിത്രം 1 ലെ ഭൗതിക പ്രക്രിയ ന്യൂറൽ നെറ്റ്വർക്കിന്റെ ഫോർവേഡ് പ്രൊപ്പഗേഷൻ പ്രക്രിയയായി നടപ്പിലാക്കുന്നു. ഒരു ആവർത്തനത്തിൽ, ഒരു സ്പൈറൽ ഫേസ് മാപ്പും ഒരു ടാർഗെറ്റ് ഇമേജും ODNN-ലേക്ക് ഇൻപുട്ട് ചെയ്യുന്നു, കൂടാതെ OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാം ഫോർവേഡ് പ്രൊപ്പഗേഷൻ, മൂല്യനിർണ്ണയ ഫംഗ്ഷൻ കണക്കുകൂട്ടൽ, ഗ്രേഡിയന്റ് ഡിസെന്റ് എന്നിവയിലൂടെ അപ്ഡേറ്റ് ചെയ്യുന്നു. ഒരു പരിശീലന യുഗത്തിൽ ഒന്നിലധികം ആവർത്തനങ്ങൾ അടങ്ങിയിരിക്കുന്നു, കൂടാതെ OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാം ആവർത്തിച്ച് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് പരിശീലന ഡാറ്റാസെറ്റിലെ ഓരോ സ്പൈറൽ ഫേസ് മാപ്പും ടാർഗെറ്റ് ഇമേജും ODNN-ലേക്ക് ഇൻപുട്ട് ചെയ്യുന്നു. പൂർണ്ണ പരിശീലന പ്രക്രിയയിൽ ഒന്നിലധികം യുഗങ്ങൾ അടങ്ങിയിരിക്കുന്നു, കൂടാതെ അൽഗോരിതത്തിന്റെ സംയോജനം നിർണ്ണയിക്കുന്നത് ഓരോ യുഗത്തിന്റെയും ശരാശരി മൂല്യനിർണ്ണയ ഫംഗ്ഷൻ മൂല്യം നിരീക്ഷിച്ചാണ്, അതായത്, ഇമേജിംഗ് ഗുണനിലവാരം ഇനി മെച്ചപ്പെടുന്നില്ലേ എന്ന്.
ചിത്രം.5. ODNN അടിസ്ഥാനമാക്കിയുള്ള OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിയുടെ സിമുലേഷൻ ഫലങ്ങൾ. (എ) 36 വ്യത്യസ്ത വോർടെക്സ് ബീമുകൾക്ക് കീഴിൽ ഹോളോഗ്രാഫി ഉപയോഗിച്ച് പുനർനിർമ്മിച്ച 36 ടാർഗെറ്റുകളുടെ സാധാരണ പ്രകാശ തീവ്രത ചിത്രങ്ങൾ, താഴെ വലത് കോണിലുള്ള സംഖ്യ ഇൻപുട്ട് വോർടെക്സ് ബീമിന്റെ അനുബന്ധ ടോപ്പോളജിക്കൽ ചാർജ് l നെ പ്രതിനിധീകരിക്കുന്നു. (ബി) ഹോളോഗ്രാഫിക് പുനർനിർമ്മാണത്തിലെ "0" എന്ന അക്കത്തിന്റെ സാധാരണ പ്രകാശ തീവ്രത ചിത്രം, താഴെ വലത് കോണിൽ അനുബന്ധ ഇൻപുട്ട് സ്പൈറൽ ഫേസ് മാപ്പ്, താഴെയുള്ള ഇൻസെറ്റ് പുനർനിർമ്മിച്ച ചിത്രത്തിലെ ഒരൊറ്റ ലൈറ്റ് സ്പോട്ടിന് ചുറ്റുമുള്ള 29 × 29 പിക്സൽ ഏരിയയുടെ വലുതാക്കിയ ചിത്രം അതിന്റെ തീവ്രത പ്രൊഫൈലിനൊപ്പം കാണിക്കുന്നു.
ചിത്രം.6. ODNN രീതിയും ക്ലാസിക്കൽ രീതിയും തമ്മിലുള്ള ഇമേജിംഗ് ഗുണനിലവാരത്തിന്റെ താരതമ്യം. (ad) MSE, σim 2, η, SNR എന്നിവയുടെ താരതമ്യ ഫലങ്ങളെ പ്രതിനിധീകരിക്കുന്നു. ഓരോ സൂചകവും 2-36 ലക്ഷ്യ അളവുകൾക്കായി സിമുലേറ്റ് ചെയ്യുകയും കണക്കാക്കുകയും ചെയ്തു. ചുവപ്പും നീലയും വരകൾ യഥാക്രമം ക്ലാസിക്കൽ രീതിയുടെയും ODNN രീതിയുടെയും സൂചക മൂല്യങ്ങളെ പ്രതിനിധീകരിക്കുന്നു. മഞ്ഞ ബാർ ചാർട്ട് ക്ലാസിക്കൽ രീതിയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ODNN രീതിയുടെ പ്രകടന മെച്ചപ്പെടുത്തലിന്റെ ശതമാനത്തെ പ്രതിനിധീകരിക്കുന്നു. മഞ്ഞ ഡാഷ് ചെയ്ത രേഖ എല്ലാ ലക്ഷ്യ അളവുകളിലുമുള്ള ശരാശരി പ്രകടന മെച്ചപ്പെടുത്തൽ ശതമാനത്തെ പ്രതിനിധീകരിക്കുന്നു.
ചിത്രം. 7. ODNN അടിസ്ഥാനമാക്കിയുള്ള OAM മൾട്ടിപ്ലക്സിംഗ് ഹോളോഗ്രാഫിയുടെ പരീക്ഷണ ഫലങ്ങൾ. ആദ്യ വരി ഇൻപുട്ട് l = 3, −3, 8, −8, 13, −13 എന്നിവയുടെ സ്പൈറൽ ഫേസ് മാപ്പിനെ പ്രതിനിധീകരിക്കുന്നു, രണ്ടാമത്തെ വരി അനുബന്ധ സിമുലേറ്റഡ് പുനർനിർമ്മിച്ച ലക്ഷ്യത്തിന്റെ നോർമലൈസ് ചെയ്ത പ്രകാശ തീവ്രത ചിത്രത്തെ പ്രതിനിധീകരിക്കുന്നു, മൂന്നാമത്തെ വരി പരീക്ഷണത്തിൽ ലഭിച്ച പുനർനിർമ്മിച്ച ലക്ഷ്യത്തിന്റെ നോർമലൈസ് ചെയ്ത പ്രകാശ തീവ്രത ചിത്രത്തെ പ്രതിനിധീകരിക്കുന്നു. സിമുലേഷന്റെയും പരീക്ഷണ ഫലങ്ങളുടെയും മുകളിൽ ഇടത്, താഴെ വലതുവശത്തുള്ള മൂല്യങ്ങൾ യഥാക്രമം η (%), SNR (സംഖ്യയിൽ) എന്നിവയെ പ്രതിനിധീകരിക്കുന്നു.
ഈ പരീക്ഷണത്തിൽ ഉപയോഗിച്ച സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററിന്റെ പാരാമീറ്ററുകൾ ഇപ്രകാരമാണ്:
| മോഡൽ നമ്പർ | FSLM-2K70-P02 ന്റെ സവിശേഷതകൾ | മോഡുലേഷൻ തരം | ഫേസ് തരം |
| ലിക്വിഡ് ക്രിസ്റ്റൽ തരം | റിഫ്ലെക്സ് | ഗ്രേ ലെവൽ | 8-ബിറ്റ്, 256 ഘട്ടങ്ങൾ |
| ലിക്വിഡ് ക്രിസ്റ്റൽ മോഡ് | പാൻ | ഡ്രൈവിംഗ് മോഡ് | ഡിജിറ്റൽ |
| റെസല്യൂഷൻ | 1920×1080 | പിക്സൽ വലുപ്പം | 8.0μm |
| പ്രാബല്യത്തിലുള്ള പ്രദേശം | 0.69" 15.36 മിമി×8.64 മിമി | ഫില്ലിംഗ് ഫാക്ടർ | 87% |
| പരന്നത (PV) | കാലിബ്രേഷന് മുമ്പ്: 5λ കാലിബ്രേഷന് ശേഷം: 1λ | പരന്നത (RMS) | കാലിബ്രേഷന് മുമ്പ്: 1/3λ കാലിബ്രേഷന് ശേഷം: 1/10λ |
| പുതുക്കൽ ആവൃത്തി | 60 ഹെർട്സ് | പ്രതികരണ സമയം | ≤16.7മി.സെ |
| രേഖീയത | ≥99% | വിന്യാസ കോൺ | 0° |
| ഘട്ട ശ്രേണി | പരമാവധി: 2π@633nm | സ്പെക്ട്രൽ ശ്രേണി | 400nm-700nm |
| മുഖം തിരുത്തൽ | പിന്തുണ (532nm/635nm) | ഡാറ്റ ഇന്റർഫേസ് | എച്ച്ഡിഎംഐ / ഡിവിഐ |
| ഗാമ തിരുത്തൽ | പിന്തുണ | ഘട്ടം തിരുത്തൽ | പിന്തുണ (450nm/532nm/635nm) |
| നാശനഷ്ട പരിധി | തുടർച്ചയായി. ≤20W/cm2(വാട്ടർ കൂളിംഗ് ഇല്ല) ≤100W/cm2(വാട്ടർ കൂളിംഗ്) | ഡിഫ്രാക്ഷൻ കാര്യക്ഷമത | 637nm 72.5%@ L8 75.2%@ L16 82%@ L32 |
കൂടാതെ, 95%-ൽ കൂടുതൽ പ്രതിഫലനശേഷിയുള്ള സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്റർ FSLM-2K70-P02HR-ന്റെ അതേ ഉയർന്ന പ്രതിഫലനശേഷി പതിപ്പ് ഞങ്ങൾ പുറത്തിറക്കിയിട്ടുണ്ട്.
2K×2K ഉയർന്ന പ്രതിഫലനവും ഉയർന്ന ഒപ്റ്റിക്കൽ ഉപയോഗവും പുതിയ ഉൽപ്പന്നങ്ങൾ
അടുത്തിടെ, ഞങ്ങളുടെ കമ്പനി ചതുരാകൃതിയിലുള്ള വലിയ ടാർഗെറ്റ് ഉപരിതല രൂപകൽപ്പന, ഉയർന്ന ഫേസ് ലീനിയാരിറ്റി, ഉയർന്ന ബിറ്റ്-ഡെപ്ത് എന്നിവയുള്ള റിഫ്ലക്റ്റിവിറ്റിയും ഉയർന്ന ഒപ്റ്റിക്കൽ യൂട്ടിലൈസേഷൻ സീരീസും പുനരാരംഭിച്ചു. അതേ സമയം, ഒപ്റ്റിക്കൽ ഉപയോഗം വർദ്ധിപ്പിക്കുകയും മോഡുലേഷൻ കൃത്യത മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. ശാസ്ത്രീയ ഗവേഷണ വികസനം വർദ്ധിപ്പിക്കുകയും മികവിനായി പരിശ്രമിക്കുകയും ചെയ്യുന്നു.
അവസാനം എഴുതിയത്:
ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ മെഷീൻ ലേണിംഗ് നടത്താൻ ഒപ്റ്റിക്കൽ സിസ്റ്റങ്ങൾ ഉപയോഗിക്കുന്നു, കൂടാതെ ഒരു പ്രധാന ഒപ്റ്റിക്കൽ ഫീൽഡ് മോഡുലേഷൻ ഉപകരണമെന്ന നിലയിൽ സ്പേഷ്യൽ ലൈറ്റ് മോഡുലേറ്ററുകൾക്ക് ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകളിൽ പ്രയോഗിക്കുമ്പോൾ സ്വാഭാവിക നേട്ടമുണ്ട്, സമാന്തര വലിയ തോതിലുള്ള കമ്പ്യൂട്ടേഷൻ, അൾട്രാ-ലോ-പവർ ഓപ്പറേഷൻ, ഹൈ-സ്പീഡ് പ്രതികരണം എന്നിവയ്ക്ക് മികച്ച സാധ്യതകൾ വാഗ്ദാനം ചെയ്യുന്നു. ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ, ഒപ്റ്റിക്സ് മേഖലയ്ക്കും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മേഖലയ്ക്കും ഇടയിലുള്ള ഒരു കട്ടിംഗ്-എഡ്ജ് ക്രോസ് ടെക്നോളജി എന്ന നിലയിൽ, പരമ്പരാഗത കൃത്രിമ ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ സാങ്കേതിക പരിമിതികളെ ഭേദിക്കുന്നു, കൂടാതെ ബയോമെഡിസിൻ, ഒപ്റ്റിക്കൽ ഇൻഫർമേഷൻ കമ്മ്യൂണിക്കേഷൻ, മെഷീൻ വിഷൻ എന്നീ മേഖലകളിൽ പ്രയോഗിക്കുകയും വികസിപ്പിക്കുകയും ചെയ്യുമെന്ന് പ്രതീക്ഷിക്കുന്നു.
ലേഖന ലിങ്ക്: https://doi.org/10.1364/OE.538350