Menu

Menu

  1. 首页
  2. 行业新闻
  3. Light | 轨道角动量智能编码:光学机器学习“新课程”

Light | 轨道角动量智能编码:光学机器学习“新课程”

导读
作为一类典型的结构光场,轨道角动量(Orbital angular momentum,OAM)光束具有螺旋相位及甜甜圈形状的光强分布。由于其理论上具有正交无穷物理状态,OAM可以用作信息载体,提升光通讯、全息、光存储、显示、图像处理、量子信息等领域的信息容量及安全性。在此过程中,虽然已经发展了多种全光OAM解码方法,然而,目前逐像素的OAM编码技术对信息处理过程造成了巨大的延迟。
近日,上海理工大学顾敏院士、方心远研究员课题组构建衍射型的光学神经网络,将输入信息展开为OAM谱,利用光学衍射过程实现OAM谱卷积及模式选择,基于机器学习算法学习输入信息OAM特征并实现高精度编码。结合OAM解码器,该方案被应用于全光编码OAM光通讯、端到端可切换图像显示、全光降维异常检测等任务,为全光OAM智能信息处理提供了研究思路。
该成果以“Orbital angular momentum-mediated machine learning for high-accuracy mode-feature encoding”为题发表在Light: Science & Applications。上海理工大学光子芯片研究院方心远研究员,博士生胡晓楠,李保莉博士为共同第一作者,方心远研究员和顾敏院士为论文通讯作者。
创新研究
 
技术攻关
空间频率域中,图像可以被展开成一系列空间频谱,不同图像的空间频谱分布各具特点。同理,图像的OAM谱同样具有特征分布。然而,如图1a所示,大多数图像在OAM域中展开的OAM谱分布呈现低阶OAM分量较多,特别是0阶分量占据主要成分,OAM模式特征不明显,对提升编码精度带来了巨大挑战。如图1b所示,该工作创新地设计了由OAM模式色散脉冲与分类器两部分构成的衍射型卷积神经网络,用于学习图像的OAM模式特征。第一部分为用于OAM特征提取和放大的卷积层,第二部分为用于OAM特征压缩的衍射层。
Light | 轨道角动量智能编码:光学机器学习“新课程”
图1.(a)图像OAM谱展开。(b)衍射型卷积神经网络机器学习用于OAM编码。
 
物理上,携带图像信息的输入光场与OAM模式色散脉冲进行叠加,光场相乘在OAM域中等效于一个一维卷积运算,卷积运算将图像的OAM谱进行展宽,图像的OAM模式特征差异也被放大,为拓展后续的模式特征编码范围奠定基础。经过展宽后的OAM模式谱经过级联的有限孔径衍射层,衍射层利用不同OAM模式间的衍射损耗差异对OAM谱进行选择性调控,从而实现模式特征的压缩,进而将图片的OAM的差异化模式特征编码为少数几个或一个OAM模式。整个编码过程类似于啁啾脉冲放大过程,第一部分实现脉冲展宽和(模式差异性)放大,而后一部分实现OAM宽谱的再压缩。特别的是,该工作采用的方法中,卷积层的模式色散脉冲和衍射层的相位分布都是可学习和训练的。以最终编码的目标OAM模式为目标进行多任务学习,直接优化出所需模式色散脉冲和衍射层,以实现高精度的OAM模式编码。如图2所示,本工作利用十个不同OAM模式对MNIST数据集进行编码,准确率达到了96%。
Light | 轨道角动量智能编码:光学机器学习“新课程”
图2.(a)十张MNIST图像编码结果。(b) 编码混淆矩阵。
 
典型应用
编码后的OAM模式信息,可以结合解复用/探测器件,实现多种OAM信息处理任务,同时发挥OAM模式与光学衍射计算的优势。
典型应用1:防窃听的无线图像传输
如前文提及那样,在基于电子计算的OAM编码的自由空间无线光通信中,传输图像会存在低并行性的问题。该工作通过光学神经网络学习、编码图像的OAM模式特征。如图3所示,实验中,将Fashion-Minst数据集中的三类图像T恤,裤子和短靴分别编码到LG1,0, LG3,0 和 LG5,0三种最强权重OAM模式上,编码精度达到了93.3%。这种编码方式具有极高防窃听能力,因为窃听者固有的横向偏移(相对于通信接收者)会直接导致不能准确测量OAM模式,且极微小的偏移就会带来极大的测量误差(窃听失败)。
Light | 轨道角动量智能编码:光学机器学习“新课程”
图三.(a)图像OAM编码结果。(b)OAM模式分解结果。(c)编码混淆矩阵。(d)偏移值对模式探测影响。
 
典型应用2:端到端可切换图像显示
进一步,本工作引入了OAM复用全息图作为解码器(使用携带特定OAM的光束照明全息图可以解码显示特定图像),即可实现全光信息编码、传输及显示。如图4所示,实验上将手写数字图像1和2分别编码到LG4,0和LG4,0上,实现了端到端的可切换图像显示。
Light | 轨道角动量智能编码:光学机器学习“新课程”
图四.端到端可切换图像显示示意图。
 
典型应用3:全光学图像降维与异常检测
提取图片的OAM模式特征,将其转化为少数几个特定的OAM模式分布,就构成了OAM域中的图像降维。如同空间域中的图像压缩一样,减少描述图片的变量(维度)的同时,保留图像的特征是信息图像降维的目标。该工作中,通过全光机器学习的方式,将大巴车和SUV汽车两类图像分别编码到六个OAM模式的两种叠加态组合上,相对于原始图像的维度(256*256), 降维的压缩比达到了~104。如图5所示,实验中,叉形光栅构成的解码器可以直接进行模式分解,得到由6个光强值组成的矩阵,经过主成分分析及光谱聚类算法,即能分辨出异常类图片,可以看到,本工作的准确率达到了85%。
Light | 轨道角动量智能编码:光学机器学习“新课程”
图5(a)不同输入图像编码的OAM叠加态信息。(b)主成分分析及光谱聚类结果。(c)异常检测混淆矩阵。
 
总结展望

该论文提出了一种通过全光机器学习将数据特征转化为OAM状态的通用机制,可以实现任意信息在OAM维度上的自由转换。光学机器学习通过学习智能OAM编码这一“新课程”,打开了以光速对特定数据库和图像进行OAM编码的新大门,同时也打破了OAM域中光学降维的瓶颈。该技术有望开拓光学机器学习在高容量、高安全经典及量子光学中的应用方向。

论文信息

Fang, X., Hu, X., Li, B. et al. Orbital angular momentum-mediated machine learning for high-accuracy mode-feature encoding. Light Sci Appl 13, 49 (2024). 
https://doi.org/10.1038/s41377-024-01386-5

免责声明:本文旨在传递更多科研资讯及分享,所有其他媒、网来源均注明出处,如涉及版权问题,请作者第一时间联系我们,我们将协调进行处理,最终解释权归旭为光电所有。