在遥感、水下通信和医疗设备等领域,自由空间中进行大带宽、高容量传输的光信息一直备受瞩目。然而,光路中的未知相位扰动和随机扩散体给光学数据的高保真传输带来了巨大挑战。尽管自适应光学提供了一种动态校正失真的潜在解决方案,但所采用的设备和算法不可避免地增加了成本和复杂性。
最近,由加州大学洛杉矶分校(UCLA)电气与计算机工程系Aydogan Ozcan教授领导的研究团队在《先进光子学》上发布了一项令人瞩目的新解决方案。他们提出了一种基于电子编码和衍射光学解码的方法,通过随机未知扩散体实现高保真光学信息传输。研究题为"使用电子编码和衍射解码通过随机未知扩散体传输光学信息"。
研究团队采用了一种混合模型,通过监督学习进行训练,将基于卷积神经网络(CNN)的电子编码器与物理制备的协同优化的透射无源衍射层结合。通过一次联合训练,该混合模型能够在未知相位扩散器的情况下准确传输光学信息,成功应对了通过不可见的随机扩散器传递信息的问题。
这种新方法显著优于仅利用衍射光学网络或电子神经网络通过扩散随机介质进行光学信息传输的系统。它凸显了电子编码器和衍射解码器共同工作的重要性,为光学信息传输提供了更为高效和精确的途径。
为验证该混合电子光学模型的概念实验和可行性,研究团队利用在电磁频谱的太赫兹部分运行的3D打印衍射网络。混合模型的光解码器经验证明可以在物理上缩放,而不需要重新训练其衍射特征,使其在电磁频谱的不同部分运行时表现出色。