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.
Lien papier : https://www.nature.com/articles/s41467-024-45845-4Problème 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.
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.
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).
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.
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.
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.
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!
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
