La technologie de la lumière structurée, améliorée par les dimensions spatiales et l'intelligence artificielle, améliore la transmission et la détection des informations. Les chercheurs ont réalisé des progrès significatifs dans le codage et la transmission des données, en utilisant la conversion spatiale non linéaire pour maintenir de faibles taux d'erreur et une grande précision dans des conditions difficiles. Crédit : Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao
La lumière structurée améliore la transmission d'informations en combinant un traitement d'image avancé avec apprentissage automatiqueatteignant une capacité de données élevée et précision dans des expériences innovantes.
La lumière structurée a le potentiel d'augmenter considérablement la capacité d'information en intégrant des dimensions spatiales avec plusieurs degrés de liberté. Récemment, la fusion de motifs de lumière structurée avec le traitement d'image et intelligence artificielle a démontré un fort potentiel de progrès dans des domaines tels que la communication et la détection.
L'une des caractéristiques les plus remarquables du champ lumineux structuré est la distribution bidimensionnelle et tridimensionnelle de ses informations d'amplitude. Cette caractéristique peut s'intégrer efficacement à une technologie de traitement d'image bien développée et peut également permettre une transmission d'informations sur plusieurs supports grâce à la technologie d'apprentissage automatique qui entraîne actuellement de profonds changements. Les champs lumineux structurés complexes basés sur des états de superposition cohérents peuvent transporter de nombreuses informations d'amplitude spatiale. En combinant davantage la conversion spatiale non linéaire, des augmentations significatives de la capacité d'information peuvent être réalisées.
La lumière structurée complexe issue de la conversion non linéaire a une capacité d’information plus élevée. Crédits : Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao
Zilong Zhang, de l'Institut de technologie de Pékin, et Yijie Shen, de l'Université technologique de Nanyang, ainsi que les membres de leurs équipes, ont proposé une nouvelle méthode pour améliorer la capacité d'information basée sur des états de superposition cohérents en mode complexe et leur conversion spatiale non linéaire. En intégrant la vision artificielle et les technologies d'apprentissage profond, ils ont obtenu une transmission d'informations point à multipoint à grand angle avec un faible taux d'erreur binaire.
Dans ce modèle, des faisceaux gaussiens sont utilisés pour obtenir une conversion non linéaire spatiale (SNC) de la lumière structurée via un modulateur spatial de lumière. Des réseaux neuronaux convolutionnels (CNN) sont utilisés pour identifier la distribution d'intensité des faisceaux. En comparant le mode de superposition de base et le mode SNC, on observe qu'avec l'augmentation de l'ordre des modes propres constitutifs du mode de base, la capacité de codage du mode de superposition HG est significativement meilleure que le mode LG, et la capacité de codage du mode après conversion non linéaire structurée spatiale peut être significativement améliorée.
Vérification des performances d'encodage et de décodage
Pour vérifier les performances d'encodage et de décodage basées sur le modèle ci-dessus, une image couleur de 50 × 50 pixels a été transmise, comme illustré dans la Fig. 1. Les dimensions RVB de l'image ont été divisées en 5 niveaux de chromaticité, comprenant un total de 125 types d'informations de chromaticité, chacun codé par 125 états de superposition cohérents HG. De plus, différents degrés de gigue de phase causés par la turbulence atmosphérique ont été chargés sur ces 125 modes via un modulateur de lumière spatiale DMD et formés avec une technologie d'apprentissage profond pour former un ensemble de données.
En utilisant en outre la conversion non linéaire, l'analyse des effets de décodage de capacité supérieure a été mise en œuvre, dans laquelle 530 modes SNC ont été sélectionnés pour la mesure expérimentale de la matrice de confusion de ces modes par des réseaux neuronaux convolutionnels, comme illustré dans la Fig.2. Les résultats expérimentaux indiquent qu'en raison de caractéristiques structurelles plus distinctes, les modes SNC peuvent toujours garantir des taux d'erreur binaire similaires tout en augmentant considérablement la capacité de données, avec une précision de reconnaissance des données jusqu'à 99,5 %. De plus, l'expérience a également vérifié la capacité de reconnaissance de formes de vision artificielle dans des conditions de réflexion diffuse, en obtenant un décodage simultané de haute précision par plusieurs caméras de réception avec des angles d'observation allant jusqu'à 70°.
Financement : Fondation nationale des sciences naturelles de Chine, Université technologique de Nanyang et subvention AcRF Tier 1 du ministère de l'Éducation de Singapour (MOE)
