Maison Périphériques technologiques IA La fidélité atteint environ 98 %. La recherche « AI + Optics » de l'Université de technologie de Guangzhou est publiée dans la sous-journal Nature. L'apprentissage profond permet le multiplexage optique non orthogonal.

La fidélité atteint environ 98 %. La recherche « AI + Optics » de l'Université de technologie de Guangzhou est publiée dans la sous-journal Nature. L'apprentissage profond permet le multiplexage optique non orthogonal.

Mar 20, 2024 am 10:13 AM
深度学习 理论 ai+optique

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.
Editeur | X

Dans le multiplexage optique, l'orthogonalité entre les canaux joue un rôle crucial. Cette orthogonalité garantit que les signaux entre les différents canaux n'interfèrent pas les uns avec les autres, permettant une transmission efficace des données. Le système de multiplexage optique peut transmettre plusieurs canaux de données en même temps, améliorant ainsi efficacement l'utilisation des fibres optiques. Cependant, un tel système impose aussi inévitablement une limite supérieure à la capacité de multiplexage.

Ici, le laboratoire clé de technologie photonique de fusion synesthétique du ministère de l'Éducation de l'Université de technologie du Guangdong développe un multiplexage de lumière non orthogonal sur fibre multimode (MMF) basé sur un réseau neuronal profond, appelé champ de lumière speckle. réseau de récupération (Speckle light field retrieval network, SLRnet), qui peut apprendre des relations de cartographie complexes entre plusieurs champs lumineux d'entrée non orthogonaux contenant un codage d'informations et leurs sorties d'intensité unique correspondantes.

Grâce à des expériences de vérification de principe, SLRnet a réussi à résoudre le problème mal posé du multiplexage optique non orthogonal sur MMF. Il est capable d'utiliser une sortie de speckle unique pour récupérer sans ambiguïté plusieurs signaux d'entrée non orthogonaux médiés par la même polarisation, la même longueur d'onde et la même localisation spatiale avec une fidélité de 98 %. Cette recherche ouvre la voie à la réalisation d’un multiplexage optique de haute capacité utilisant des canaux non orthogonaux et constitue une étape importante vers cet objectif.

Cette recherche favorisera les applications potentielles dans les domaines de l'optique et de la photonique et fournira de nouvelles perspectives sur l'exploration de disciplines plus larges telles que les sciences et technologies de l'information.

La recherche pertinente était intitulée « Multiplexage optique non orthogonal renforcé par l'apprentissage profond » et a été publiée dans « Nature Communications » le 21 février 2024.

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.

Lien papier : https://www.nature.com/articles/s41467-024-45845-4

Problème de multiplexage optique

Le multiplexage est la pierre angulaire des communications optiques, dans laquelle le multiplexage L'orthogonalité physique entre canaux est une condition préalable à la transmission d’informations codées à grande échelle.

Considérant le démultiplexage de plusieurs signaux orthogonaux, les méthodes matricielles de transmission (telles que MMF) peuvent même résoudre ce problème sur des supports fortement diffusants.

Récemment, l'apprentissage profond a été largement utilisé dans les domaines de l'optique et de la photonique pour la conception inverse de dispositifs optiques et d'optique informatique. Plus précisément, des réseaux de neurones profonds ont été utilisés pour améliorer les performances du multiplexage orthogonal sur plusieurs supports de diffusion.

Cependant, tous les scénarios de multiplexage signalés à ce jour reposent strictement sur l'orthogonalité physique entre les canaux multiplexés. Aucune tentative n'a été faite pour exploiter les capacités de modélisation non linéaire de l'apprentissage profond pour réaliser un multiplexage optique non orthogonal sur les MMF.

Malheureusement, le multiplexage de canaux non orthogonaux médié par la même polarisation ou longueur d'onde, même dans une fibre monomode, reste très difficile en raison du manque de méthodes de démultiplexage efficaces ou d'une charge excessive de traitement du signal numérique. Par conséquent, le développement d’une nouvelle méthode pour décoder les informations codées dans des canaux d’entrée non orthogonaux est essentiel pour un éventuel multiplexage optique.

Multiplexage optique non orthogonal sur MMF basé sur des réseaux neuronaux profonds

Ici, les chercheurs démontrent qu'un multiplexage optique non orthogonal préliminaire peut être réalisé via MMF avec le support de SLRnet.

À titre de démonstration de faisabilité, des canaux d'entrée non orthogonaux peuvent être utilisés pour réaliser une transmission multiplexée d'informations via MMF, y compris des images de scènes naturelles générales, des données binaires aléatoires sans rapport et des images qui n'appartiennent pas au même type de formation. ensemble de données, ce qui est bénéfique pour la réalisation du multiplexage optique non orthogonal des informations.

En établissant des relations complexes entre les canaux d'entrée et les sorties non orthogonaux grâce à des techniques basées sur les données, des réseaux neuronaux approfondis et entraînés peuvent récupérer les informations codées des canaux non orthogonaux en utilisant une seule intensité de sortie. Même les canaux multiplexés non orthogonaux partageant la même polarisation, la même longueur d'onde et la même région spatiale d'entrée peuvent être décodés efficacement.

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.

Figure 1 : Schéma de principe du multiplexage optique non orthogonal sur MMF. (Source : article)

Neural Network Architecture

Deep Neural Network est capable de récupérer des signaux multiplexés optiques non orthogonaux à partir d'une seule sortie speckle d'un MMF. Plusieurs informations codées en amplitude et en phase médiées par des combinaisons de polarisation arbitraires peuvent être récupérées efficacement par SLRnet après propagation dans le MMF.

Comme le montre la figure 2a, même le scénario typique de canaux d'entrée non orthogonaux avec la même polarisation, longueur d'onde et région spatiale d'entrée peut être explicitement décodé. Ceci est réalisé grâce à un réseau neuronal profond, dont l'architecture est illustrée à la figure 2b, qui est une variante d'Unet basée sur le processus unique de diffusion multiple de MMF. Il se compose d’une couche entièrement connectée (FC) et de ResUnet.

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.

Figure 2 : Multiplexage optique non orthogonal sur MMF via deep learning. (Source : article)

Résultats expérimentaux

Considérons d'abord le cas où la longueur du MMF est de 1 m. La figure 3a montre l'évolution de la fidélité de récupération pour deux canaux de champ lumineux multiplexés avec des combinaisons d'états de polarisation arbitraires au cours de la formation SLRnet. Au total, il y aura quatre canaux de codage dans les dimensions d'amplitude et de phase, qui peuvent être non orthogonales en fonction de l'état de polarisation. La fidélité de récupération a été mesurée par le coefficient de corrélation de Pearson (PCC).

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.

Figure 3 : Performances de multiplexage non orthogonal à l'aide de SLRnet. (Source : article)

Comme le montre la figure, l'évolution du PCC récupéré en utilisant la même configuration de formation SLRnet après 100 époques est supérieure à 0,97. Dans le même temps, l’évolution de la fidélité de récupération est essentiellement la même pour les douze scénarios de multiplexage, démontrant l’excellente robustesse du multiplexage non orthogonal à des combinaisons de polarisation arbitraires.

De plus, la figure 3b fournit la fidélité récupérée dans chaque canal multiplexé en amplitude et en phase séparément en utilisant différentes combinaisons de polarisation. La fidélité moyenne de récupération dans les dimensions d'amplitude et de phase est presque identique (~ 0,98), mettant en évidence la capacité de SLRnet à démultiplexer les informations codées dans plusieurs canaux d'entrée non orthogonaux.

Afin d'effectuer une évaluation sensorielle des informations de récupération du codage du front d'onde, les résultats de démultiplexage typiques de quatre combinaisons de polarisation (0° et 0°, 0° et 10°, 0° et 90°, et 0° et ellipse) sont comme le montre la figure 4 représentée.

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.

Figure 4 : Résultats de multiplexage non orthogonal sur 1 m MMF. (Source : article)

On peut voir que quatre images en niveaux de gris multiplexées sur l'amplitude et la phase du front d'onde d'entrée en utilisant la même polarisation peuvent être efficacement démultiplexées avec une seule sortie de speckle. D'autres résultats obtenus avec une fidélité similaire sous différentes combinaisons de polarisation démontrent que SLRnet est capable d'un multiplexage de canal d'entrée non orthogonal sans précédent, même lorsque le front d'onde de codage est brouillé par MMF.

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.

Figure 5 : Résultats de multiplexage non orthogonal sur 50 m MMF. (Source : article)

Pour consolider davantage la supériorité de SLRnet dans des scénarios plus réalistes, des résultats de multiplexage de lumière non orthogonal utilisant le même état de polarisation sur 50 m MMF sont proposés, comme le montre la figure 5. Comme le montrent les figures 4 et 5, les résultats de démultiplexage pour le MMF de 1 m sont meilleurs que pour le cas de 50 m car les propriétés de diffusion du MMF plus long sont plus sensibles aux influences environnementales. Les performances de démultiplexage peuvent être encore améliorées en optimisant la structure du réseau. La recherche montre que SLRnet est un moyen efficace de multiplexer des canaux non orthogonaux dans MMF.

La fidélité atteint environ 98 %. La recherche « AI + Optics » de lUniversité de technologie de Guangzhou est publiée dans la sous-journal Nature. Lapprentissage profond permet le multiplexage optique non orthogonal.

Figure 6 : Résultats du multiplexage non orthogonal sur 1 m MMF pour les images de scènes naturelles générales et les images n'appartenant pas à la base de données ImageNet. (Source : article)

Enfin, pour démontrer la polyvalence de SLRnet pour différents ensembles d'images, la recherche montre que SLRnet a une bonne généralisation.

Bien que le concept de multiplexage optique non orthogonal basé sur MMF proposé à ce stade ne puisse pas être directement utilisé pour un diagnostic médical qui nécessite généralement une fidélité uniforme, le multiplexage non orthogonal de haute précision d'informations numériques binaires non corrélées montre que grâce à MMF, la réalisation de la transmission par multiplexage non orthogonal d'informations optiques a fait un pas en avant.

Cette recherche pourrait non seulement ouvrir la voie à l'utilisation de MMF à haut débit pour la communication et le traitement de l'information, mais pourrait également apporter un changement de paradigme pour le multiplexage optique dans l'optique et dans d'autres domaines, ce qui pourrait augmenter considérablement le degré de liberté et la capacité des systèmes optiques. systèmes.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
2 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Repo: Comment relancer ses coéquipiers
4 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Comment obtenir des graines géantes
4 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Combien de temps faut-il pour battre Split Fiction?
3 Il y a quelques semaines By DDD

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Au-delà d'ORB-SLAM3 ! SL-SLAM : les scènes de faible luminosité, de gigue importante et de texture faible sont toutes gérées Au-delà d'ORB-SLAM3 ! SL-SLAM : les scènes de faible luminosité, de gigue importante et de texture faible sont toutes gérées May 30, 2024 am 09:35 AM

Écrit précédemment, nous discutons aujourd'hui de la manière dont la technologie d'apprentissage profond peut améliorer les performances du SLAM (localisation et cartographie simultanées) basé sur la vision dans des environnements complexes. En combinant des méthodes d'extraction de caractéristiques approfondies et de correspondance de profondeur, nous introduisons ici un système SLAM visuel hybride polyvalent conçu pour améliorer l'adaptation dans des scénarios difficiles tels que des conditions de faible luminosité, un éclairage dynamique, des zones faiblement texturées et une gigue importante. Notre système prend en charge plusieurs modes, notamment les configurations étendues monoculaire, stéréo, monoculaire-inertielle et stéréo-inertielle. En outre, il analyse également comment combiner le SLAM visuel avec des méthodes d’apprentissage profond pour inspirer d’autres recherches. Grâce à des expériences approfondies sur des ensembles de données publiques et des données auto-échantillonnées, nous démontrons la supériorité du SL-SLAM en termes de précision de positionnement et de robustesse du suivi.

Repoussant les limites de la détection de défauts traditionnelle, « Defect Spectrum » permet pour la première fois une détection de défauts industriels d'une ultra haute précision et d'une sémantique riche. Repoussant les limites de la détection de défauts traditionnelle, « Defect Spectrum » permet pour la première fois une détection de défauts industriels d'une ultra haute précision et d'une sémantique riche. Jul 26, 2024 pm 05:38 PM

Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).

Le modèle de dialogue NVIDIA ChatQA a évolué vers la version 2.0, avec la longueur du contexte mentionnée à 128 Ko Le modèle de dialogue NVIDIA ChatQA a évolué vers la version 2.0, avec la longueur du contexte mentionnée à 128 Ko Jul 26, 2024 am 08:40 AM

La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.

Google AI a remporté la médaille d'argent de l'Olympiade mathématique de l'OMI, le modèle de raisonnement mathématique AlphaProof a été lancé et l'apprentissage par renforcement est de retour. Google AI a remporté la médaille d'argent de l'Olympiade mathématique de l'OMI, le modèle de raisonnement mathématique AlphaProof a été lancé et l'apprentissage par renforcement est de retour. Jul 26, 2024 pm 02:40 PM

Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Formation avec des millions de données cristallines pour résoudre le problème de la phase cristallographique, la méthode d'apprentissage profond PhAI est publiée dans Science Formation avec des millions de données cristallines pour résoudre le problème de la phase cristallographique, la méthode d'apprentissage profond PhAI est publiée dans Science Aug 08, 2024 pm 09:22 PM

Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont ​​développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel

Le point de vue de la nature : les tests de l'intelligence artificielle en médecine sont dans le chaos. Que faut-il faire ? Le point de vue de la nature : les tests de l'intelligence artificielle en médecine sont dans le chaos. Que faut-il faire ? Aug 22, 2024 pm 04:37 PM

Editeur | ScienceAI Sur la base de données cliniques limitées, des centaines d'algorithmes médicaux ont été approuvés. Les scientifiques se demandent qui devrait tester les outils et comment le faire au mieux. Devin Singh a vu un patient pédiatrique aux urgences subir un arrêt cardiaque alors qu'il attendait un traitement pendant une longue période, ce qui l'a incité à explorer l'application de l'IA pour réduire les temps d'attente. À l’aide des données de triage des salles d’urgence de SickKids, Singh et ses collègues ont construit une série de modèles d’IA pour fournir des diagnostics potentiels et recommander des tests. Une étude a montré que ces modèles peuvent accélérer les visites chez le médecin de 22,3 %, accélérant ainsi le traitement des résultats de près de 3 heures par patient nécessitant un examen médical. Cependant, le succès des algorithmes d’intelligence artificielle dans la recherche ne fait que le vérifier.

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

See all articles