帖子
勋章
关注
任务
基于光学衍射神经网络的轨道角动量复用全息技术的设计与实验研究 论文信息  轨道角动量（OAM）复用全息技术具有信息容量大、安全性高的优点，并且在全息存储、光学加密和光学计算等方面具有重要的应用价值。然而，随着多路复用通道数量的增加，该技术存在图像质量的下降，限制了其应用范围。本文提出了一种创新的设计方法，将光学衍射神经网络（ODNN）引入OAM多路复用全息中，建立科学的图像质量评价功能，应用端到端优化方法，并行设计OAM多路复用全息图，显著提高了OAM全息的图像质量。结果表明，与经典方法相比，本文提出的ODNN方法分别提高了衍射效率29%和信噪比19%，均方误差和方差分别降低了10%和43%。同时，通过实验实现了高质量的多通道OAM多路复用全息技术。本文提出的设计方法为未来的OAM多路复用全息技术进一步提高信息容量和提高安全性提供了一种有效而实用的途径。 部分实验过程及实验结果 实验中采用波长为632.8nm的氦氖激光器。激光器发射的高斯光束依次经过衰减器、偏振片、透镜1、针孔滤光器、透镜2和孔径后，被放大成高质量的线偏振高斯光束。经过两台反射式相位型空间光调制器（其中一台为中科微星的FSLM-2K70-P02）后，最终的成像结果由工业阵列相机接收。两台空间光调制器的分辨率均为1920×1080，像元大小均为8μm×8μm。工业相机的分辨率为2592×2048，像元大小为4.8μm×4.8μm。两台SLM之间的距离，以及第二台SLM和工业相机之间的距离，均为20cm。  图1，基于ODNN的OAM复用全息术实验装置示意图。将螺旋相位图和OAM多路复用全息图分别加载到SLM1和SLM2中。经过滤波和波束扩展后，相干光被SLM1调制成涡旋光束，并将其照射到SLM2上，以解码OAM复用全息图中相应的目标信息。最后，在相机上重建目标图像。  图2 基于ODNN的OAM复用全息术的物理过程示意图。利用优化后的OAM复用全息图重建不同涡旋光照射下的目标图像。  图3 基于ODNN的OAM复用全息术的神经网络结构。利用ODNN的正向传播过程实现OAM复用全息术的物理过程。在训练相位中，将螺旋相位和采样的目标图像分别作为神经网络的输入和评价函数标签。基于网络的输出结果，利用误差反向传播算法对神经网络的结构和相位参数进行迭代优化。最后，在隐藏层得到了一个可以在不同输入条件下重建相应目标图像的OAM复用全息图。  图4 基于ODNN的OAM多路复用全息术的总体设计流程图，其中图2中的物理过程通过神经网络的前向传播过程实现。在一次迭代中，将螺旋相位图和目标图像输入到ODNN中，并通过正向传播、评价函数计算和梯度下降对AOM复用全息图进行更新。一个训练轮次由多次迭代组成，将训练数据集中的每个螺旋相位图和目标图像输入ODNN，迭代优化OAM多路复用全息图。完整的训练过程由多个轮次组成，通过监测每个轮次的平均评价函数值，即是否成像，来确定算法的收敛性。  图5 基于ODNN的OAM多路复用全息技术的仿真结果。(a)在36个不同涡旋光束下全息重建的36个目标的归一化光强图像，右下角的数字表示输入涡旋光束对应的拓扑荷数。(b)归一化光强度图像的数字“0”全息重建，右下角为相应的输入螺旋相位图，底部的插图显示了一个放大图像29×29像素区域周围一个光点重建图像及其强度轮廓。  图6 ODNN方法与经典方法的成像质量比较。（a-d）表示MSE，，η和SNR的比较结果。对每个指标进行模拟和计算2-36个目标量。红线和蓝线分别代表经典方法和ODNN方法的指标值。黄色条状图表示ODNN方法与经典方法相比性能提高的百分比。黄色虚线表示在所有目标数量上的平均性能提高的百分比。  图7基于ODNN的OAM多路复用全息术的实验结果。第一行表示输入l = 3、−3、8、−8、13、−13的螺旋相位图，第二行表示对应的模拟重建目标的归一化光强图像，第三行表示实验中获得的重建目标的归一化光强图像。模拟结果和实验结果的左上角和右下角的值分别代表η（%）和信噪比SNR（数值）。本实验中所采用空间光调制器为我司的经典款FSLM-2K70-P02，其参数规格如下： 
另外，我司推出了同款 高反射率 版空间光调制器FSLM-2K70-P02HR，反射率可达95%以上。2K×2K高反射率&高光学利用率新品 近期，我司重磅推出了高反射率、高光学利用率系列反射式相位型空间光调制器FSLM-2K73-P02HR，方形大靶面设计、高相位线性度以及高位深的特点，提升光学利用的同时提高调制精度，为科研的发展持续助力，精益求精。  写在最后 光学神经网络采用光学系统执行机器学习，而空间光调制器作为一种重要的光场调控器件，应用在光学神经网络中，具有天然的优势，为实现并行大规模计算、超低功耗运行以及高速响应提供了巨大的潜力。光学神经网络作为光学领域与人工智能领域的前沿交叉技术，突破传统人工神经网络的技术局限，有望在生物医疗、光信息通信、机器视觉等领域中得到应用和发展。 分享到：
|
||||||||||||||||||||||||||||||||||||||||||||||||
