Cómo la luz estructurada y la IA están dando forma al futuro de la comunicación

La luz estructurada mejora la comunicación incorporando procesamiento de imágenes avanzado Aprendizaje automáticoLograr una alta capacidad de datos y Exactitud En experimentos innovadores.

La luz estructurada tiene el potencial de aumentar en gran medida la eficiencia de la información al integrar dimensiones espaciales con múltiples grados de libertad. Recientemente, la fusión de patrones de luz estructurados con procesamiento de imágenes y Inteligencia artificial Ha demostrado un gran potencial para avanzar en campos como las comunicaciones y el diagnóstico.

Una de las características más llamativas de un campo luminoso estructurado es la distribución bidimensional y tridimensional de su información de amplitud. Esta característica puede integrarse efectivamente con la tecnología de procesamiento de imágenes madura y lograr el intercambio de información entre medios a través de la tecnología de aprendizaje automático, que actualmente está realizando cambios profundos. Los campos de luz estructurados complejos basados ​​en posiciones de superposición coherentes pueden transportar una gran cantidad de información de amplitud espacial. Al incorporar aún más la transformación espacial no lineal, se pueden lograr aumentos significativos en la eficiencia de la información.

La luz estructurada compleja procedente de transformaciones no lineales es muy informativa. Crédito: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao

Jilong Zhang del Instituto de Tecnología de Beijing y Yiji Shen de la Universidad Tecnológica de Nanyang, junto con miembros de sus grupos, propusieron un nuevo método para mejorar la eficiencia de la información basado en etapas de superposición coherente de modo complejo y su transformación espacial no lineal. Al integrar tecnologías de visión artificial y aprendizaje profundo, lograron una transmisión de información punto a multipunto de gran ángulo con una baja tasa de error de bits.

En este modelo, se utilizan haces gaussianos para obtener una transformada espacialmente lineal (SNC) de luz modulada por un modulador de luz espacial. Las redes neuronales convolucionales (CNN) se utilizan para identificar la distribución de intensidad de los haces. Al comparar el modo de superposición fundamental y el modo SNC, con el aumento del orden de los modos propios de volumen del modo fundamental, la eficiencia de codificación del modo de superposición HG es significativamente mejor que la del modo LG, y el modo no lineal estructurado espacialmente tiene la eficiencia de codificación de modo. El cambio se puede mejorar significativamente.

Verificación del rendimiento de codificación y decodificación

Para verificar el rendimiento de codificación y decodificación según el modelo anterior, se transmite una imagen en color de 50 × 50 píxeles que se muestra en la Figura 1. Las dimensiones RGB de la imagen se dividieron en 5 niveles de cromaticidad, que contienen un total de 125 tipos de información de cromaticidad, cada uno codificado por 125 niveles de superposición coherente HG. Además, se cargaron varios niveles de fluctuación causados ​​por la turbulencia atmosférica en estos 125 modos con un modulador de luz espacial DMD y se entrenaron con tecnología de aprendizaje profundo para generar el conjunto de datos.

También utilizando transformación no lineal, se implementó el análisis de los efectos de decodificación de alta eficiencia, en el que se seleccionaron 530 modos SNC para la medición experimental de la matriz de confusión para estos modos, que se muestra en la Fig.2. Los hallazgos experimentales indican que, debido a características estructurales únicas, los métodos SNC pueden garantizar tasas de error de bits igualmente bajas y, al mismo tiempo, aumentar significativamente la eficiencia de los datos, con una precisión de reconocimiento de datos de hasta el 99,5 %. Además, la prueba también verificó la capacidad de reconocimiento de patrones de visión artificial en condiciones de amplia reflectividad, logrando una decodificación simultánea de alta precisión con múltiples cámaras receptoras con ángulos de observación de hasta 70°.

Referencia: «Conversión espacial no lineal de luz estructurada para redes de información de ultraprecisión basadas en aprendizaje automático (Laser Photonics Rev. 18(6)/2024)» Jilong Zhang, Wei He, Sui Zhao, Yuan Gao, Xin Wang, Xian Wang Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen y Changming Zhao, 9 de junio de 2024, Reseñas de láser y fotónica.
DOI: 10.1002/lpor.202470039

Financiamiento: Fundación Nacional de Ciencias Naturales de China, Universidad Tecnológica de Nanyang y subvención AcRF Nivel 1 del Ministerio de Educación de Singapur (MOE)