科学家基于深度学习训练多样性数据集,实现多模光纤的非正交复用

科学家基于深度学习训练多样性数据集,实现多模光纤的非正交复用
2024年05月25日 17:17 DeepTech深科技

来源:DeepTech深科技

现阶段,光通信聚焦在大容量光纤通信方向,分别通过先进的调制算法和 AI 两个手段突破单纤的传输容量。

目前,在单模光纤通信中,分复用是一种最重要的复用方式,包括波分复用、偏分复用和空分复用等。

这种技术依赖于信道之间的物理正交性,如果信道之间的正交性出现恶化,将极大地增加接收机数字信号处理的复杂度。

在单模光纤的多维复用传输技术中,多路信道复用的基础是各个复用信道之间存在物理正交性。

基于此,研究人员提出,有没有可能更换一种传输通量更大的传输介质?

多模光纤作为信息传输介质在日常生活中非常常见,比如,大型数据中心内部的短距光互联可采用多模光纤。

图丨多模光纤的非正交多维光信息复用示意图(来源:Nature Communications)图丨多模光纤的非正交多维光信息复用示意图(来源:Nature Communications

该团队在过去的研究中,曾将深度学习应用于单模光纤通信中,用于提升光纤传输系统的性能,但深度学习仍无法解决单模光纤通信中的非正交复用难题。

研究人员表示:“由于我们的研究目标是增加单纤的传输容量,因此支持上千个传输模式,具有高通量传输特性的多模光纤成为突破正交复用范式的研究对象。”

在初步的尝试中,他们通过改变输入信号的偏振态,使得两路输入信号的偏振态不处于互相垂直的状态。

实验表明,在这种情况下,深度神经网络能够实现对两路非正交信号的解码。

更进一步地,该课题组让两路信道的波长、空间位置和偏振态保持完全一致。

在这种情况下,使用深度学习的方法依然可以实现两路信号的高保真度解复用,为基于多模光纤的高通量非正交复用传输提供了基础。

图丨通过深度学习实现多模光纤非正交光复用(来源:Nature Communications)图丨通过深度学习实现多模光纤非正交光复用(来源:Nature Communications

值得关注的是,该研究不仅依赖于深度学习强大的端到端映射能力,更重要的是,多模光纤本身的物理特性。

秦玉文解释说道:“一根多模光纤支持上千个传输模式,实际的传输过程中模式之间存在耦合,可以等效为一个多重散射的过程。”

因此,输入端多路信号之间微小的差异,将被这个多重散射物理过程放大,呈现为输出端具有不同特征的散斑。

这些散斑的差异很难被人眼识别,而深度学习恰好非常擅长辨别到这种特征,从而能够实现非正交输入信号的解复用。

研究人员采取与多模光纤多输入多输出关系类似的全连接层,来与具备识别散斑特征的卷积层串联。

结合多模光纤多重散射的物理特征,将在多模光纤输入端具有微小差异的信号,转化成输出端神经网络可识别的散斑。

然后,再通过自然图像数据集及其对应输出散斑组成的数据训练网络,训练好的网络仅通过单发输出散斑,即可恢复多路非正交复用输入信号,进而实现了非正交输入信号的复用传输。

图丨秦玉文教授领导的课题组(来源:广东工业大学)图丨秦玉文教授领导的课题组(来源:广东工业大学)

长期以来,秦玉文团队从事光通信、光传感和通感融合光子技术方面的研究。此前,研究人员在研究使用多模光纤作为传输介质方面,已经积累了一定技术基础。

2022 年,报道了使用深度神经网络作为多模光纤正交复用传输系统的解码器,发现全连接神经网络和 U 型卷积神经网络的组合,可以使得解码的保真度得到不错的提升效果[2]。

2023 年,该课题组重新审视了基于传输矩阵的确定性物理方法,使用传输矩阵直接求逆,在多模光纤传输上得到了近乎完美的幅相传输保真度[3]。

在本次研究中,虽然实验结果表明所提出网络具有较好的泛化能力,但依然依赖于大量数据的训练,缺乏泛化性和神经网络的可解释性,不利于深度神经网络在非正交复用传输技术领域的实际应用。

该团队表示:“目前,我们正在研究将多重散射物理特性,进一步与神经网络的结构相融合。希望随着对物理机制的深入理解,能够实现少量数据情况下的网络训练。”

另一方面,多模光纤传输特性对环境参量较为敏感。因此,非正交复用传输技术对环境参量的脱敏也是需要优化的技术问题之一,研究人员计划通过实时更新网络来解决该问题[4]。

“该研究是在多模光纤非正交复用传输领域迈出的重要一步,后续还有很多工作需要继续探索,才能把该技术真正地推到应用阶段。”秦玉文说道。

接下来,该团队将研究扰动情况下多模光纤模式之间的耦合特性,进一步探索多模光纤多重散射的物理过程和分析方法。

他们希望能够通过多重散射系统的物理性质来指导深度学习网络结构的优化方向,提升多模光纤非正交传输系统的准确率、速率和稳定性。

并且,期待将该技术拓展到其他的多入多出波动系统中,从而提升单个传输介质的传输容量极限。

参考资料:

1.Pan, T., Ye, J., Liu, H. et al. Non-orthogonal optical multiplexing empowered by deep learning. Nature Communications 15, 1580 (2024). https://doi.org/10.1038/s41467-024-45845-4

2.Tang,P. et al. Learning to transmit images through optical speckle of a multimode fiber with high fidelity. Applied Physics Letters, 121, 081107(2022). https://doi.org/10.1063/5.0099159

3.Ye,J. et al. Light field information transmission through scattering media with high fidelity.Chinese Optics Letters 21,12,121101(2023). https://doi.org/10.3788/COL202321.121101

4.Li, Z., Zhou, W., Zhou, Z. et al. Self-supervised dynamic learning for long-term high-fidelity image transmission through unstabilized diffusive media. Nature Communications 15, 1498 (2024). https://doi.org/10.1038/s41467-024-45745-7

排版:刘雅坤

物理训练
新浪科技公众号
新浪科技公众号

“掌”握科技鲜闻 (微信搜索techsina或扫描左侧二维码关注)

创事记

科学探索

科学大家

苹果汇

众测

专题

官方微博

新浪科技 新浪数码 新浪手机 科学探索 苹果汇 新浪众测

公众号

新浪科技

新浪科技为你带来最新鲜的科技资讯

苹果汇

苹果汇为你带来最新鲜的苹果产品新闻

新浪众测

新酷产品第一时间免费试玩

新浪探索

提供最新的科学家新闻,精彩的震撼图片