광 다중화에서는 채널 간 직교성이 중요한 역할을 합니다. 이러한 직교성은 서로 다른 채널 간의 신호가 서로 간섭하지 않도록 보장하여 효율적인 데이터 전송을 가능하게 합니다. 광 다중화 시스템은 동시에 여러 채널의 데이터를 전송할 수 있어 광섬유의 활용도를 효과적으로 향상시킬 수 있습니다. 그러나 이러한 시스템은 필연적으로 다중화 용량에 상한을 부과합니다.
여기서 광동 공과대학교 교육부의 공감각 융합 포토닉스 기술 핵심 연구실은 스펙클 라이트라고 불리는 깊은 신경망을 기반으로 하는 다중 모드 광섬유(MMF)의 비직교 광 다중화를 개발합니다. 필드 검색 네트워크(Speckle light field retrieval network, SLRnet)는 정보 인코딩을 포함하는 여러 비직교 입력 조명 필드와 해당 단일 강도 출력 간의 복잡한 매핑 관계를 학습할 수 있습니다.
원리 검증 실험을 통해 SLRnet은 MMF의 비직교 광 다중화라는 잘못된 문제를 성공적으로 해결했습니다. 단일 샷 스펙클 출력을 활용하여 동일한 편광, 파장 및 공간 위치에 의해 매개되는 여러 개의 비직교 입력 신호를 98%의 충실도로 명확하게 검색할 수 있습니다. 이 연구는 비직교 채널을 활용하여 고용량 광 다중화를 실현할 수 있는 길을 열었으며 이 목표를 향한 중요한 단계입니다.
이 연구는 광학 및 포토닉스 분야의 잠재적인 응용을 촉진하고 정보 과학 및 기술과 같은 더 넓은 분야의 탐구에 대한 새로운 통찰력을 제공할 것입니다.
관련 연구는 "딥 러닝으로 강화된 비직교 광 다중화"라는 제목으로 2024년 2월 21일 "Nature Communications"에 게재되었습니다.
광 다중화 문제
다중화는 광통신의 초석이며, 채널은 대규모 코딩 정보 전송을 위한 전제 조건입니다.
여러 직교 신호의 역다중화를 고려하면 전송 매트릭스 방법(예: MMF)이 강하게 산란되는 매체에서도 이 문제를 해결할 수 있습니다.
최근 딥러닝은 광학소자 및 전산광학의 역설계를 위한 광학, 포토닉스 분야에서 널리 활용되고 있습니다. 특히 심층 신경망은 다중 산란 매체에서 직교 다중화 성능을 향상시키는 데 사용되었습니다.
그러나 현재까지 보고된 모든 다중화 시나리오는 다중화 채널 간의 물리적 직교성에 엄격하게 의존합니다. MMF에 대한 비직교 광 다중화를 달성하기 위해 딥 러닝의 비선형 모델링 기능을 활용하려는 시도는 없었습니다.
안타깝게도 단일 모드 광섬유에서도 동일한 편파 또는 파장에 의해 매개되는 비직교 채널의 다중화는 효율적인 역다중화 방법이 부족하거나 과도한 디지털 신호 처리 부담으로 인해 여전히 매우 어렵습니다. 따라서 비직교 입력 채널에 인코딩된 정보를 디코딩하는 새로운 방법을 개발하는 것은 최종 광 다중화에 매우 중요합니다.
심층 신경망을 기반으로 한 MMF를 통한 비직교 광 다중화
여기에서 연구자들은 SLRnet의 지원으로 MMF를 통해 예비 비직교 광 다중화를 달성할 수 있음을 보여줍니다.
개념 증명 시연으로, 비직교 입력 채널을 사용하여 일반 자연 장면 이미지, 관련 없는 무작위 이진 데이터 및 동일한 유형의 훈련에 속하지 않는 이미지를 포함하여 MMF를 통해 정보의 다중화 전송을 달성할 수 있습니다. 정보의 광학적 비직교 다중화를 실현하는 데 유용한 데이터 세트입니다.
데이터 기반 기술을 통해 비직교 입력 채널과 출력 간의 복잡한 관계를 구축함으로써 훈련된 심층 신경망은 단일 출력 강도만 사용하여 비직교 채널의 인코딩된 정보를 검색할 수 있습니다. 동일한 편광, 파장 및 입력 공간 영역을 공유하는 비직교 다중화 채널도 효율적으로 디코딩할 수 있습니다.
Neural Network Architecture
Deep Neural Network는 MMF의 단일 스펙클 출력에서 비직교 광학 다중화 신호를 검색할 수 있습니다. 임의의 편파 조합에 의해 매개되는 다중 진폭 및 위상 인코딩 정보는 MMF에서 전파된 후 SLRnet에 의해 효율적으로 검색될 수 있습니다.
그림 2a에 표시된 것처럼 편광, 파장 및 입력 공간 영역이 동일한 비직교 입력 채널의 일반적인 시나리오도 명시적으로 디코딩할 수 있습니다. 이는 MMF의 고유한 다중 산란 프로세스를 기반으로 한 Unet의 변형인 그림 2b에 표시된 아키텍처인 심층 신경망을 통해 달성됩니다. FC(Fully Connected) 레이어와 ResUnet으로 구성됩니다.
실험 결과
먼저 MMF 길이가 1m인 경우를 생각해보자. 그림 3a는 SLRnet 훈련 중 임의의 편광 상태 조합을 사용하여 두 개의 다중화된 광 필드 채널에 대한 검색 충실도의 진화를 보여줍니다. 전체적으로 진폭 및 위상 차원에는 4개의 인코딩 채널이 있으며 편광 상태에 따라 직교하지 않을 수 있습니다. 검색 충실도는 피어슨 상관 계수(PCC)로 측정되었습니다.
그림에서 볼 수 있듯이 100 epoch 이후 동일한 SLRnet 훈련 구성을 사용하여 검색된 PCC의 진화는 0.97보다 큽니다. 동시에 검색 충실도의 진화는 12개의 다중화 시나리오에서 본질적으로 동일하며 임의의 편파 조합에 대한 비직교 다중화의 뛰어난 견고성을 보여줍니다.
또한 그림 3b는 서로 다른 편파 조합을 사용하여 개별적으로 각 진폭 및 위상 다중화 채널에서 검색된 충실도를 제공합니다. 진폭 및 위상 차원의 평균 검색 충실도는 거의 동일하며(~0.98), 이는 여러 개의 비직교 입력 채널에 인코딩된 정보를 역다중화하는 SLRnet의 기능을 강조합니다.
파면 인코딩의 검색 정보에 대한 감각 평가를 수행하기 위해 4가지 편광 조합(0°와 0°, 0°와 10°, 0°와 90°, 0°와 타원)의 일반적인 역다중화 결과는 다음과 같습니다. 그림 4에 도시된 바와 같이.
동일한 편광을 사용하여 입력 파면의 진폭과 위상에 다중화된 4개의 회색조 이미지를 단일 스펙클 출력으로 효과적으로 역다중화할 수 있음을 알 수 있습니다. 서로 다른 편파 조합에서 유사한 충실도로 검색된 다른 결과는 인코딩 파면이 MMF에 의해 스크램블되는 경우에도 SLRnet이 전례 없는 비직교 입력 채널 다중화를 수행할 수 있음을 보여줍니다.
보다 현실적인 시나리오에서 SLRnet의 우수성을 더욱 확고히 하기 위해 그림 5와 같이 50m MMF에서 동일한 편광 상태를 사용하는 비직교 광 다중화 결과를 제안합니다. 그림 4와 5에서 볼 수 있듯이, 1m MMF의 역다중화 결과는 더 긴 MMF의 산란 특성이 환경 영향에 더 민감하기 때문에 50m의 경우보다 좋습니다. 네트워크 구조를 최적화하면 역다중화 성능을 더욱 향상시킬 수 있습니다. 연구에 따르면 SLRnet은 MMF에서 비직교 채널을 다중화하는 효과적인 수단입니다.
마지막으로 다양한 이미지 세트에 대한 SLRnet의 다양성을 입증하기 위해 연구에 따르면 SLRnet은 일반화가 잘 된 것으로 나타났습니다.
이 단계에서 제안된 MMF 기반 비직교 광 다중화 개념은 일반적으로 균일한 충실도가 요구되는 의료 진단에 직접 사용할 수는 없지만 상관되지 않은 이진 디지털 정보의 고정밀 비직교 다중화는 MMF를 통해 광정보의 비직교 다중화 전송 실현이 한 단계 더 발전했습니다.
이 연구는 통신 및 정보 처리를 위해 처리량이 높은 MMF를 활용할 수 있는 길을 열었을 뿐만 아니라 광학 및 기타 분야의 광 다중화에 대한 패러다임 전환을 제공하여 광 기술의 자유도와 용량을 크게 높일 수 있습니다. 시스템.
위 내용은 충실도는 최대 98%에 이릅니다. 광저우 공과대학의 'AI + Optics' 연구는 Nature 하위 저널에 게재되어 비직교 광학 다중화를 지원합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
