AI+SLM: การปฏิวัติอัจฉริยะของตัวควบคุมแสงเชิงพื้นที่
Spatial Light Modulator (SLM) คืออุปกรณ์ออปติคัลที่ควบคุมการกระจายแสงของหน้าคลื่นแบบไดนามิกผ่านสัญญาณไฟฟ้าหรือสัญญาณแสง โดยการเปลี่ยนทิศทางของ คริสตัลเหลว โมเลกุลที่มีสนามไฟฟ้าภายนอก สามารถปรับแอมพลิจูด เฟส หรือโพลาไรเซชันของแสง ทำให้สามารถควบคุมสนามแสงได้แบบเรียลไทม์ SLM ที่ใช้ผลึกเหลว ซึ่งมีข้อได้เปรียบ เช่น การผลิตที่ง่าย ต้นทุนต่ำ ใช้พลังงานต่ำ และควบคุมได้ง่าย ได้แสดงให้เห็นถึงประสิทธิภาพที่โดดเด่นในสาขาต่างๆ เช่น การสื่อสารด้วยแสง การประมวลผลด้วยแสง และการประมวลผลข้อมูลควอนตัม ในช่วงไม่กี่ปีที่ผ่านมา การผสานรวมปัญญาประดิษฐ์ (AI) เข้ากับเทคโนโลยีแสงได้จุดประกายการปฏิวัติ SLM ซึ่งขับเคลื่อนด้วยการเรียนรู้เชิงลึกและเครือข่ายประสาทเทียม เป็นอุปกรณ์หลักสำหรับการมอดูเลตสนามแสง กำลังแสดงให้เห็นถึงศักยภาพในการใช้งานที่ไม่เคยมีมาก่อน
พลังแห่งการบูรณาการ: เมื่อการเรียนรู้เชิงลึกพบกับการปรับสนามแสงเชิงพื้นที่
การเรียนรู้เชิงลึก (DL) เครือข่ายประสาทเทียม (NN) และการเรียนรู้ของเครื่อง (ML) ช่วยเพิ่มประสิทธิภาพงานที่ซับซ้อนผ่านแบบจำลองที่ขับเคลื่อนด้วยข้อมูล ระบบออปติคัลซึ่งโดดเด่นด้วยการประมวลผลแบบขนานสูง ความหน่วงต่ำ และการใช้พลังงานต่ำ สามารถเอาชนะปัญหาคอขวดของการประมวลผลอิเล็กทรอนิกส์แบบดั้งเดิมได้เมื่อผสานรวมกับเทคโนโลยีเหล่านี้ การเติบโตของปัญญาประดิษฐ์ โดยเฉพาะอย่างยิ่งการผสานการเรียนรู้เชิงลึกเข้ากับเทคโนโลยีปรับแสงเชิงพื้นที่ (SLM) กำลังนำมาซึ่งการเปลี่ยนแปลงครั้งสำคัญในสาขานี้
การเรียนรู้เชิงลึก (Deep Learning) ซึ่งเป็นส่วนขยายของเครือข่ายประสาทเทียม จะดึงเอาคุณลักษณะระดับสูงผ่านชั้นข้อมูลการแปลงแบบไม่เชิงเส้นหลายชั้น (เช่น ชั้น Convolutional Layers และชั้น Recurrent Layers) โมเดลพื้นฐานหลักของการเรียนรู้เชิงลึกประกอบด้วยเครือข่ายประสาทเทียม Convolutional (CNNs), เครือข่ายประสาทเทียม Recurrent (RNNs) และเครือข่าย Generative Adversarial Networks (GANs) ในช่วงไม่กี่ปีที่ผ่านมา ความก้าวหน้าของการเรียนรู้ของเครื่อง โดยเฉพาะอย่างยิ่งที่ขับเคลื่อนด้วยการเรียนรู้เชิงลึก ได้นำไปสู่การประยุกต์ใช้อย่างแพร่หลายใน การถ่ายภาพด้วยแสง การตรวจจับและการคำนวณแบบออปติคัล
หน้าที่หลักของตัวปรับแสงเชิงพื้นที่ (SLM) คือการควบคุมการจัดตำแหน่งของโมเลกุลผลึกเหลวผ่านแรงดันไฟฟ้า ซึ่งจะปรับแอมพลิจูดหรือเฟสของแสงตกกระทบในลักษณะที่กระจายตัวในเชิงพื้นที่ SLM ชนิดเฟสสามารถปรับระดับเฟสได้ในช่วง 0-2π ทำให้สามารถควบคุมหน้าคลื่นสำหรับการแปลงลำแสงได้อย่างแม่นยำ ในทางกลับกัน SLM ชนิดส่งผ่านส่วนใหญ่จะเป็นแบบแอมพลิจูด ซึ่งใช้เอฟเฟกต์การหมุนเชิงแสงของวาล์วแสงผลึกเหลวร่วมกับโพลาไรเซอร์และเครื่องวิเคราะห์เพื่อปรับความเข้มของแสงที่ส่งออก ด้วยการใช้ประโยชน์จากวิธีการเรียนรู้เชิงลึก SLM สามารถบรรลุเป้าหมายต่างๆ เช่น การโฟกัสการเลี้ยวเบนแบบไม่มีพารามิเตอร์และการปรับปรุงประสิทธิภาพ ปณิธานนำไปสู่ความก้าวหน้าที่สำคัญในแอปพลิเคชันต่างๆ เช่น การถ่ายภาพเฟสแบบวนซ้ำ การถ่ายภาพความละเอียดสูง และการถ่ายภาพแบบโกสต์
ทีความก้าวหน้าทางเทคโนโลยี: สถานการณ์การใช้งานทั่วไปของ SLM อัจฉริยะ
วิธีการดั้งเดิมสำหรับการคำนวณโฮโลแกรมมักอาศัยอัลกอริทึมแบบวนซ้ำ เช่น Gerchberg-Saxton (GS) แม้ว่าอัลกอริทึมเหล่านี้จะได้รับการยอมรับอย่างกว้างขวาง แต่ประสิทธิภาพในการคำนวณก็ต่ำ โดยเฉพาะอย่างยิ่งเมื่อต้องสร้างสนามแสงที่ซับซ้อน หรือต้องใช้การควบคุมแบบเรียลไทม์ ซึ่งข้อจำกัดต่างๆ ปรากฏชัดเจนมากขึ้นเรื่อยๆ การนำการเรียนรู้เชิงลึกมาใช้จึงเป็นแนวทางใหม่ในการแก้ไขปัญหาคอขวดนี้
ผังงานของวิธี GS-CNN
ในปี พ.ศ. 2564 ทีมวิจัยในประเทศได้ริเริ่มอัลกอริทึมไฮบริด GS-CNN โดยผสานอัลกอริทึม Gerchberg-Saxton (GS) แบบดั้งเดิมเข้ากับเครือข่ายประสาทเทียมแบบ Convolutional วิธีการนี้รักษาเสถียรภาพของอัลกอริทึม GS ไว้ได้ พร้อมกับใช้ประโยชน์จากความสามารถในการทำแผนที่แบบไม่เชิงเส้นอันทรงพลังของเครือข่ายประสาทเทียม ซึ่งช่วยเพิ่มประสิทธิภาพในการคำนวณอย่างมีนัยสำคัญ ลำแสงวอร์เท็กซ์เบสเซลที่สร้างขึ้นโดยใช้วิธี GS-CNN มีค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) ที่ต่ำกว่าอย่างเห็นได้ชัด และประสิทธิภาพการเลี้ยวเบน (DE) ที่สูงขึ้น เมื่อเทียบกับผลลัพธ์ที่ได้จากอัลกอริทึม GS แบบดั้งเดิม
ผลการทดลองจำลองของวิธี GS-CNN
(ก)～(ค) การกระจายความเข้มข้นเป้าหมายของลำแสงเบสเซล; (ง)～(ฉ) การกระจายความเข้มข้นเอาต์พุตของลำแสงวอร์เท็กซ์ที่สร้างขึ้น; (ช)～(i) โฮโลแกรมเฟส LC-SLM ของลำแสงวอร์เท็กซ์ที่สร้างขึ้น
นักวิจัยประสบความสำเร็จในการสร้างลำแสงเบสเซลที่มีประจุโทโพโลยีต่างกันโดยใช้วิธี GS-CNN ซึ่งช่วยลดเวลาในการประมวลผลได้อย่างมาก แต่ยังคงรักษาคุณภาพของลำแสงให้อยู่ในระดับสูง การนำการเรียนรู้เชิงลึกมาใช้ช่วยให้ระบบสามารถเรียนรู้กระบวนการทางกายภาพที่ซับซ้อนของการแพร่กระจายของสนามแสง ส่งผลให้สามารถสร้างโฮโลแกรมคุณภาพสูงได้อย่างรวดเร็ว เมื่อเทียบกับวิธีการแบบดั้งเดิม พลังงานของสนามแสงขาเข้าจะถูกหักเหได้อย่างมีประสิทธิภาพมากกว่า และความแตกต่างระหว่างการกระจายความเข้มและการกระจายเป้าหมายก็ลดลงอย่างเห็นได้ชัด ทำให้มีแหล่งกำเนิดแสงที่เชื่อถือได้มากขึ้นสำหรับการใช้งานต่างๆ เช่น แหนบแสงและการจัดการไมโครอนุภาค
แหนบออปติคอลโฮโลแกรม: ระบบแหนบออปติคัลโฮโลแกรมที่บริษัทของเราพัฒนาขึ้น โดยอาศัย SLM ช่วยให้สามารถโหลดและแปลงภาพโฮโลแกรมแบบเรียลไทม์ผ่านคอมพิวเตอร์ได้ ระบบนี้จะสร้างสนามแสงที่ต้องการ ณ ระนาบโฟกัสของเลนส์ใกล้วัตถุ ช่วยให้สามารถจัดการไมโครอนุภาคในกับดักแสงใดๆ ภายในอาร์เรย์ได้อย่างอิสระ
ระบบแหนบออปติคัลโฮโลแกรม
เทคโนโลยีแหนบแสงโฮโลแกรมสามารถสร้างกับดักแสงด้วยโหมดพิเศษ เช่น ลำแสงลาเกร์-เกาส์เซียน ลำแสงเบสเซล และลำแสงแอร์รี โดยการปรับหน้าคลื่นของแสงตกกระทบ ซึ่งทำให้สามารถใช้งานฟังก์ชันต่างๆ เช่น การหมุน การขนส่ง และการจัดเรียงอนุภาคขนาดเล็กได้
การถ่ายภาพโฮโลแกรม 3 มิติแบบเรียลไทม์: เหนือขีดจำกัดของการเรนเดอร์แบบดั้งเดิม
ในเดือนกรกฎาคม พ.ศ. 2568 มหาวิทยาลัยสแตนฟอร์ดและ Meta ได้จัดแสดงชุดหูฟัง VR ที่มีความหนาเพียง 3 มิลลิเมตรต่อโลก อุปกรณ์นี้ใช้ตัวปรับแสงเชิงพื้นที่ (SLM) และเทคโนโลยีท่อนำคลื่น ผสานกับอัลกอริทึมปัญญาประดิษฐ์ เพื่อฉายภาพโฮโลแกรมจริงเข้าสู่ดวงตาของผู้ใช้โดยตรง สร้างประสบการณ์ภาพที่สมจริงอย่างเหลือเชื่อทั้งในด้านการรับรู้และการสัมผัส
เทคโนโลยีการถ่ายภาพโฮโลแกรมกำลังก้าวจากห้องปฏิบัติการไปสู่การใช้งานเชิงพาณิชย์อย่างรวดเร็วอย่างน่าทึ่ง โดยมีแรงผลักดันหลักคือการผสานรวมการเรียนรู้เชิงลึกและตัวปรับแสงเชิงพื้นที่อย่างลึกซึ้ง ทีมงาน Shi Liang จาก MIT ได้ใช้ประโยชน์จากโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) เพื่อเร่งการประมวลผลภาพโฮโลแกรม 3 มิติสำหรับ AR/VR โดยโครงข่ายประสาทเทียมแบบคอนโวลูชันเทนเซอร์ที่ได้รับการปรับแต่งให้มีประสิทธิภาพนั้นทำงานเร็วกว่าการคำนวณทางฟิสิกส์หลายเท่าตัว ในทำนองเดียวกัน ทีมงาน Suyeon Choi จากมหาวิทยาลัย Stanford ได้นำ CNN มาใช้งานภายในเฟรมเวิร์ก PyTorch ซึ่งทำให้ได้คุณภาพของภาพโฮโลแกรม 3 มิติที่เหนือชั้นโดยใช้ตัวปรับแสงเชิงพื้นที่ ผลิตภัณฑ์ SLM ที่บริษัทของเราพัฒนาขึ้นเอง ซึ่งมีอัตราการรีเฟรชสูงและความแม่นยำของเฟสสูง ถือเป็นแพลตฟอร์มฮาร์ดแวร์ที่เหมาะสมสำหรับอัลกอริทึมโฮโลแกรมที่ขับเคลื่อนด้วย AI ดังกล่าว ทำให้การสร้างภาพโฮโลแกรมแบบเรียลไทม์เป็นไปได้
ระบบโฮโลแกรมสี
ระบบโฮโลแกรมสีที่บริษัทของเราพัฒนาขึ้นเองนั้นใช้ตัวปรับแสงเชิงพื้นที่ผลึกเหลวชนิดเฟส (SLM) ระบบนี้สามารถสร้างภาพโฮโลแกรมสีโดยใช้หลักการมัลติเพล็กซ์แบบแบ่งเวลา ซึ่งแหล่งกำเนิดแสงเลเซอร์ R, G และ B พร้อมกับโฮโลแกรมสามสีที่สอดคล้องกันบน SLM จะปรับสนามแสงด้วยอัตราลำดับเดียวกัน การดูภาพโฮโลแกรมสีสามารถทำได้โดยใช้หน้าจอสีขาวหรือตัวรับสัญญาณ CCD
ผลการทดสอบ:
เขียนในตอนจบ
การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และโครงข่ายประสาทเทียม ก่อให้เกิดวงจรปิดเชิงวิวัฒนาการของ "เครื่องมือ-สถาปัตยกรรม-กระบวนทัศน์": ML มอบกรอบการทำงานเชิงระเบียบวิธี NN สร้างรากฐานการคำนวณ และ DL ปลดปล่อยความสามารถในการประมวลผลข้อมูลที่ซับซ้อนผ่านสถาปัตยกรรมเชิงลึก ด้วยการผสานรวม AI และเทคโนโลยีออปติกที่ลึกซึ้งยิ่งขึ้น ตัวปรับแสงเชิงพื้นที่กำลังก้าวเข้าสู่พื้นที่การพัฒนาที่กว้างขึ้น ในฐานะ "แปรงไดนามิก" สำหรับการเขียนโปรแกรมสนามแสง SLM เมื่อรวมเข้ากับ "อัลกอริทึมอัจฉริยะ" ของการเรียนรู้เชิงลึก กำลังเปลี่ยนโฉมกระบวนทัศน์การออกแบบของระบบออปติกสมัยใหม่ ในอนาคต ด้วยการทำงานร่วมกันอย่างลึกซึ้งของอัลกอริทึมและฮาร์ดแวร์ ระบบที่ผสานรวม SLM-AI จะพร้อมเป็นกลไกหลักของการประมวลผลเชิงแสงและการรับรู้อัจฉริยะ
อ้างอิง:
[1] Wenqi Ma, Huimin Lu, Jianping Wang และคณะ การสร้างลำแสง Vortex โดยใช้ Spatial Light Modulator และ Deep Learning [J]. Optics Journal, 2021, 41(11): 79-85.