טכנולוגיית אור מובנית, משופרת על ידי ממדים מרחביים ואינטליגנציה של מכונה, מגבירה את העברת המידע וזיהויו. חוקרים השיגו התקדמות משמעותית בקידוד ושידור נתונים, תוך שימוש בהמרה מרחבית לא ליניארית כדי לשמור על שיעורי שגיאה נמוכים ודיוק גבוה בתנאים מאתגרים. קרדיט: זילונג ג'אנג, ווי הוא, סוי ג'או, יואן גאו, שין וואנג, שיאוטיאן לי, יוצ'י וואנג, יונפאי מא, יטונג הו, ייג'י שן, צ'אנגמינג ז'או
אור מובנה משפר את העברת המידע על ידי שילוב של עיבוד תמונה מתקדם עם למידת מכונההשגת קיבולת נתונים גבוהה ו דיוק בניסויים חדשניים.
לאור מובנה יש פוטנציאל להגדיל במידה ניכרת את קיבולת המידע על ידי שילוב ממדים מרחביים עם דרגות חופש מרובות. לאחרונה, היתוך של דפוסי אור מובנים עם עיבוד תמונה ו בינה מלאכותית הוכיחה פוטנציאל חזק להתקדמות בתחומים כמו תקשורת וגילוי.
אחד המאפיינים הבולטים ביותר של שדה האור המובנה הוא ההתפלגות הדו ותלת מימדית של מידע המשרעת שלו. תכונה זו יכולה להשתלב ביעילות עם טכנולוגיית עיבוד תמונה שפותחה בוגרת ויכולה גם להשיג העברת מידע בין-בינוני בזכות טכנולוגיית למידת מכונה שמניעה כיום שינויים עמוקים. שדות אור מובנים מורכבים המבוססים על מצבי סופרפוזיציה קוהרנטיים יכולים לשאת מידע רב על משרעת מרחבית. על ידי שילוב נוסף של המרה לא ליניארית מרחבית, ניתן לממש גידול משמעותי בקיבולת המידע.
לאור מובנה מורכב מהמרה לא ליניארית יש קיבולת מידע גבוהה יותר. קרדיט: זילונג ג'אנג, ווי הוא, סוי ג'או, יואן גאו, שין וואנג, שיאוטיאן לי, יוצ'י וואנג, יונפאי מא, יטונג הו, ייג'י שן, צ'אנגמינג ז'או
זילונג ג'אנג מהמכון הטכנולוגי של בייג'ינג וייג'י שן מהאוניברסיטה הטכנולוגית של נאניאנג, יחד עם חברי הצוותים שלהם, הציעו שיטה חדשה להגברת יכולת המידע המבוססת על מצבי סופרפוזיציה קוהרנטיים במצב מורכב וההמרה המרחבית הלא ליניארית שלהם. על ידי שילוב של ראיית מכונה וטכנולוגיות למידה עמוקה, הם השיגו העברת מידע בזווית גדולה מנקודה לריבוי נקודות עם שיעור שגיאות סיביות נמוך.
במודל זה, נעשה שימוש באלומות גאוסיות להשגת המרה לא-לינארית מרחבית (SNC) של אור מובנה באמצעות מאפנן אור מרחבי. רשתות עצביות מפותלות (CNN) משמשות לזיהוי התפלגות העוצמה של הקורות. על ידי השוואת מצב הסופרפוזיציה הבסיסית ומצב ה-SNC, ניתן לראות שעם העלייה בסדר המצבים העצמיים המרכיבים של המצב הבסיסי, יכולת הקידוד של מצב HG superposition טובה משמעותית ממצב LG, ויכולת קידוד מצב לאחר מבנה מרחבי לא ליניארי ניתן לשפר משמעותית את ההמרה.
אימות ביצועי קידוד ופענוח
כדי לאמת את ביצועי הקידוד והפענוח בהתבסס על הדגם הנ"ל, שודרה תמונה צבעונית של 50×50 פיקסלים, המוצגת באיור 1. ממדי ה-RGB של התמונה חולקו ל-5 רמות צבעוניות, הכוללות סך של 125 סוגים של מידע צבעוניות, כל אחד מקודד על ידי 125 מצבי סופרפוזיציה קוהרנטיים HG. בנוסף, דרגות שונות של ריצוד פאזה שנגרם על ידי מערבולות אטמוספריות הועמסו על 125 המצבים הללו באמצעות מאפנן אור מרחבי DMD ואומנו עם טכנולוגיית למידה עמוקה ליצירת מערך נתונים.
בהמשך שימוש בהמרה לא ליניארית, יושם הניתוח של אפקטים של פענוח קיבולת גבוהה יותר, שבו נבחרו 530 מצבי SNC למדידה ניסיונית של מטריצת הבלבול למצבים אלה על ידי רשתות עצביות קונבולוציוניות, המוצגות באיור 2. ממצאי הניסוי מצביעים על כך שבשל תכונות מבניות מובחנות יותר, מצבי SNC עדיין יכולים להבטיח שיעורי שגיאות סיביות נמוכים דומים תוך הגדלת קיבולת הנתונים באופן משמעותי, עם דיוק זיהוי נתונים של עד 99.5%. בנוסף, הניסוי גם אימת את יכולת זיהוי דפוסי ראיית המכונה בתנאים של השתקפות מפוזרת, תוך השגת פענוח בו-זמנית ברמת דיוק גבוהה על ידי מספר מצלמות קליטה עם זוויות תצפית של עד 70°.
מימון: הקרן הלאומית למדעי הטבע של סין, האוניברסיטה הטכנולוגית של נאניאנג ומשרד החינוך של סינגפור (MOE) מענק AcRF Tier 1
