Teknologi cahaya terstruktur, yang disempurnakan oleh dimensi spasial dan kecerdasan mesin, meningkatkan transmisi dan deteksi informasi. Para peneliti telah membuat kemajuan signifikan dalam penyandian dan transmisi data, menggunakan konversi nonlinier spasial untuk mempertahankan tingkat kesalahan rendah dan akurasi tinggi dalam kondisi yang menantang. Kredit: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao
Cahaya terstruktur meningkatkan transmisi informasi dengan menggabungkan pemrosesan gambar tingkat lanjut dengan pembelajaran mesinmencapai kapasitas data tinggi dan ketepatan dalam percobaan inovatif.
Cahaya terstruktur memiliki potensi untuk meningkatkan kapasitas informasi secara signifikan dengan mengintegrasikan dimensi spasial dengan berbagai derajat kebebasan. Baru-baru ini, integrasi pola cahaya terstruktur dengan pemrosesan gambar dan kecerdasan buatan telah menunjukkan potensi yang kuat untuk kemajuan dalam bidang-bidang seperti komunikasi dan deteksi.
Salah satu fitur yang paling menonjol dari medan cahaya terstruktur adalah distribusi dua dan tiga dimensi dari informasi amplitudonya. Fitur ini dapat secara efektif diintegrasikan dengan teknologi pemrosesan gambar yang matang dan juga dapat mencapai transmisi informasi lintas media berdasarkan teknologi pembelajaran mesin yang saat ini mendorong perubahan besar. Medan cahaya terstruktur yang kompleks berdasarkan status superposisi yang koheren dapat membawa informasi amplitudo spasial yang melimpah. Dengan menggabungkan lebih lanjut konversi nonlinier spasial, peningkatan signifikan dalam kapasitas informasi dapat diwujudkan.
Cahaya terstruktur kompleks dari konversi nonlinier memiliki kapasitas informasi yang lebih tinggi. Kredit: Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen, Changming Zhao.
Zilong Zhang dari Institut Teknologi Beijing dan Yijie Shen dari Universitas Teknologi Nanyang, bersama dengan anggota tim mereka, mengusulkan metode baru untuk meningkatkan kapasitas informasi berdasarkan status superposisi koheren dari mode kompleks dan konversi nonlinier spasialnya. Dengan mengintegrasikan teknologi machine vision dan deep learning, mereka mencapai transmisi informasi titik-ke-multititik sudut lebar dengan tingkat kesalahan bit yang rendah.
Dalam model ini, berkas Gaussian digunakan untuk memperoleh konversi nonlinier spasial (SNC) cahaya terstruktur melalui modulator cahaya spasial. Jaringan saraf konvolusional (CNN) digunakan untuk mengidentifikasi distribusi intensitas berkas. Dengan membandingkan mode superposisi dasar dan mode SNC, diamati bahwa dengan peningkatan urutan eigenmode yang menyusun mode dasar, kemampuan penyandian mode superposisi HG secara signifikan lebih baik daripada mode LG, dan kapasitas penyandian mode setelah konversi nonlinier spasial cahaya terstruktur dapat ditingkatkan secara signifikan.
Verifikasi Kinerja Pengodean dan Dekodean
Untuk memverifikasi kinerja penyandian dan dekode berdasarkan model di atas, gambar berwarna 50×50 piksel dikirimkan, seperti yang ditunjukkan pada Gambar 1. Dimensi RGB gambar dibagi menjadi 5 tingkat kromatisitas, yang terdiri dari total 125 jenis informasi kromatisitas, yang masing-masing dikodekan oleh 125 status superposisi koheren HG. Selain itu, berbagai tingkat getaran fase yang disebabkan oleh turbulensi atmosfer dimuat ke dalam 125 mode ini melalui modulator cahaya spasial DMD dan dilatih oleh teknologi pembelajaran mendalam untuk membentuk kumpulan data.
Selanjutnya, dengan menggunakan konversi nonlinier, analisis efek decoding berkapasitas lebih tinggi diimplementasikan, di mana 530 mode SNC dipilih untuk pengukuran eksperimental matriks kebingungan mode-mode ini oleh jaringan saraf konvolusional, seperti yang ditunjukkan pada Gambar 2. Temuan eksperimental menunjukkan bahwa karena fitur struktural yang lebih jelas, mode SNC masih dapat memastikan tingkat kesalahan bit yang rendah sambil meningkatkan kapasitas data secara signifikan, dengan akurasi pengenalan data hingga 99,5%. Selain itu, eksperimen juga memverifikasi kemampuan pengenalan pola penglihatan mesin dalam kondisi refleksi difus, mencapai decoding presisi tinggi secara simultan oleh beberapa kamera penerima dengan sudut observasi hingga 70°.
Referensi: “Konversi Nonlinier Spasial Cahaya Terstruktur untuk Jaringan Informasi Ultra-Akurat Berbasis Pembelajaran Mesin (Laser Photonics Rev. 18(6)/2024)” oleh Zilong Zhang, Wei He, Suyi Zhao, Yuan Gao, Xin Wang, Xiaotian Li, Yuqi Wang, Yunfei Ma, Yetong Hu, Yijie Shen dan Changming Zhao, 09 Juni 2024, Ulasan Laser & Fotonik.
Nomor Identifikasi Penduduk: 10.1002/lpor.202470039
Pendanaan: Yayasan Ilmu Pengetahuan Alam Nasional Tiongkok, Universitas Teknologi Nanyang dan Kementerian Pendidikan Singapura (MOE) AcRF Tier 1 Grant
NewsRoom.id
