利用電子編碼和衍射解碼通過隨機未知擴散體進行光信息傳輸

在自由空間中傳輸大帶寬、高容量傳輸的光信息在遙感、水下通信和醫療設備等各種應用中得到了廣泛關注。然而，光路中不可預測的、未知的相位擾動或隨機擴散體帶來了巨大的挑戰，限制了自由空間中光學數據的高保真傳輸。自適應光學提出了一種潛在的解決方案，可以動態地校正隨機失真，但采用的空間光調制器和迭代反饋算法不可避免地增加了成本和復雜性。

加州大學洛杉磯分校(UCLA)電氣與計算機工程系Aydogan Ozcan教授領導的研究團隊，最近在《先進光子學》上發表了一項新解決方案。這種新方法使用電子編碼和衍射光學解碼，通過隨機未知擴散體高保真地傳輸光學信息。文章標題為“使用電子編碼和衍射解碼通過隨機未知擴散體傳輸光學信息”。

該混合模型通過監督學習進行訓練，將基于卷積神經網絡(CNN)的電子編碼器與物理制備的協同優化的透射無源衍射層結合起來。經過一次聯合訓練過程后，所得到的混合模型即使在未知相位擴散器的情況下也能準確地傳輸感興趣的光學信息，成功地概括了通過看不見的隨機擴散器傳遞信息。

這種新方法顯著優于僅利用衍射光學網絡或電子神經網絡通過擴散隨機介質進行光學信息傳輸的系統，突顯了電子編碼器和衍射解碼器共同工作的重要性。

利用在電磁頻譜的太赫茲部分運行的3D打印衍射網絡，驗證了該混合電子光學模型的概念實驗證明和可行性。混合模型的光解碼器可以在物理上縮放——擴展或收縮——以跨電磁頻譜的不同部分運行，無需重新訓練其衍射特征。

加州大學洛杉磯分校的研究團隊認為，這種框架將為各種應用提供低功率和緊湊的替代方案，例如植入式系統中生物醫學傳感和成像數據的傳輸、水下光學通信，以及通過湍流大氣條件的數據傳輸。

審核編輯 黃宇