結(jié)構(gòu)光和人工智能如何塑造未來通信

結(jié)構(gòu)光將先進的圖像處理與機器學(xué)習(xí)相結(jié)合，在創(chuàng)新實驗中實現(xiàn)了高數(shù)據(jù)容量和準確性，從而增強了信息傳輸能力。

結(jié)構(gòu)光通過整合多自由度的空間維度，具有極大提高信息容量的潛力。最近，結(jié)構(gòu)光模式與圖像處理和人工智能的融合已在通信和檢測等領(lǐng)域展現(xiàn)出強大的發(fā)展?jié)摿Α?/p>

結(jié)構(gòu)光場最顯著的特征之一是其振幅信息的二維和三維分布。這一特點不僅能與成熟的圖像處理技術(shù)有效結(jié)合，還能借助當(dāng)前推動深刻變革的機器學(xué)習(xí)技術(shù)實現(xiàn)跨媒介信息傳輸�；�于相干疊加態(tài)的復(fù)雜結(jié)構(gòu)光場可以攜帶豐富的空間振幅信息。通過進一步結(jié)合空間非線性轉(zhuǎn)換，可以實現(xiàn)信息容量的顯著提升。

結(jié)構(gòu)光技術(shù)通過空間維度和機器智能得到增強，促進了信息傳輸和檢測。

北京理工大學(xué)的Zilong Zhang和南洋理工大學(xué)的Yijie Shen及其團隊成員提出了一種基于復(fù)模相干疊加態(tài)及其空間非線性轉(zhuǎn)換的增強信息容量的新方法。通過整合機器視覺和深度學(xué)習(xí)技術(shù)，他們實現(xiàn)了低誤碼率的大角度點對多點信息傳輸。

在該模型中，高斯光束通過空間光調(diào)制器獲得結(jié)構(gòu)光的空間非線性轉(zhuǎn)換（SNC）。卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于識別光束的強度分布。通過比較基本疊加模式和 SNC 模式，可以發(fā)現(xiàn)隨著基本模式的組成特征模式階數(shù)的增加，HG 疊加模式的編碼能力明顯優(yōu)于 LG 模式，空間結(jié)構(gòu)非線性轉(zhuǎn)換后的模式編碼能力可以得到顯著提高。

驗證編碼和解碼性能

為了驗證基于上述模式的編碼和解碼性能，我們傳輸了一幅 50×50 像素的彩色圖像。圖像的 RGB 維度被分為 5 個色度等級，共包含 125 種色度信息，每種信息由 125 個 HG 相干疊加態(tài)編碼。此外，還通過 DMD 空間光調(diào)制器將大氣湍流造成的不同程度的相位抖動加載到這 125 種模式上，并利用深度學(xué)習(xí)技術(shù)進行訓(xùn)練，形成數(shù)據(jù)集。

非線性轉(zhuǎn)換產(chǎn)生的復(fù)雜結(jié)構(gòu)光具有更高的信息容量

進一步利用非線性轉(zhuǎn)換，實現(xiàn)了對更高容量解碼效果的分析，其中選擇了 530 個 SNC 模式，通過卷積神經(jīng)網(wǎng)絡(luò)對這些模式的混淆矩陣進行實驗測量，如圖 2 所示。實驗結(jié)果表明，由于結(jié)構(gòu)特征更加明顯，SNC 模式在顯著提高數(shù)據(jù)容量的同時，仍能確保類似的低誤碼率，數(shù)據(jù)識別準確率高達 99.5%。此外，實驗還驗證了機器視覺在漫反射條件下的模式識別能力，實現(xiàn)了多臺接收攝像機同時進行高精度解碼，觀察角度可達 70°。

論文鏈接：https://doi.org/10.1002/lpor.202470039