O método de aprendizado de máquina usa óptica não linear e luz estruturada para expandir a precisão e a capacidade da rede de informações

A luz estruturada pode aumentar significativamente a capacidade de informação, devido ao seu acoplamento de dimensões espaciais e múltiplos graus de liberdade. Nos últimos anos, a combinação de padrões de luz estruturada com processamento de imagem e inteligência de máquina mostrou um potencial de desenvolvimento vigoroso em campos como comunicação e detecção.

Uma das características mais notáveis ​​de um campo de luz estruturado é a distribuição bidimensional e tridimensional de suas informações de amplitude. Essa característica pode se integrar efetivamente com tecnologia de processamento de imagem desenvolvida de forma madura e também pode atingir transmissão de informações entre meios em virtude da tecnologia de aprendizado de máquina que atualmente impulsiona mudanças profundas.

Campos de luz estruturados complexos baseados em estados de superposição coerentes podem transportar informações abundantes de amplitude espacial. Ao combinar ainda mais a conversão espacial não linear, aumentos significativos na capacidade de informação podem ser realizados.

Zilong Zhang do Instituto de Tecnologia de Pequim e Yijie Shen da Universidade Tecnológica de Nanyang, juntamente com os membros de suas equipes, propuseram um novo método para aumentar a capacidade de informação com base em estados de superposição coerente de modo complexo e sua conversão espacial não linear. Ao integrar tecnologias de visão de máquina e aprendizado profundo, eles alcançaram transmissão de informações ponto a multiponto de grande ângulo com uma baixa taxa de erro de bit.

O estudo foi publicado na revista Avaliações de Laser e Fotônica.

Neste modelo, feixes gaussianos são usados ​​para obter conversão espacial não linear (SNC) de luz estruturada por meio de um modulador de luz espacial. Redes neurais convolucionais (CNN) são usadas para identificar a distribuição de intensidade dos feixes.

Ao comparar o modo de superposição básico e o modo SNC, observa-se que com o aumento na ordem dos automodos constituintes do modo básico, a capacidade de codificação do modo de superposição HG é significativamente melhor do que o modo LG, e a capacidade de codificação do modo após a conversão não linear estruturada espacialmente pode ser significativamente melhorada.

Para verificar os desempenhos de codificação e decodificação com base no modelo acima, uma imagem colorida de 50×50 pixels foi transmitida. As dimensões RGB da imagem foram divididas em 5 níveis de cromaticidade, compreendendo um total de 125 tipos de informações de cromaticidade, cada um codificado por 125 estados de superposição coerente HG. Além disso, diferentes graus de jitter de fase causados ​​pela turbulência atmosférica foram carregados nesses 125 modos por meio de um modulador de luz espacial DMD e treinados com tecnologia de aprendizado profundo para formar um conjunto de dados.

Além disso, usando conversão não linear, a análise de efeitos de decodificação de maior capacidade foi implementada, na qual 530 modos SNC foram selecionados para medição experimental da matriz de confusão para esses modos por redes neurais convolucionais. As descobertas experimentais indicam que, devido a características estruturais mais distintas, os modos SNC ainda podem garantir taxas de erro de bit igualmente baixas, ao mesmo tempo em que aumentam significativamente a capacidade de dados, com uma precisão de reconhecimento de dados de até 99,5%.

Além disso, o experimento também verificou a capacidade de reconhecimento de padrões de visão de máquina sob condições de reflexão difusa, alcançando decodificação simultânea de alta precisão por múltiplas câmeras receptoras com ângulos de observação de até 70°.