机器学习方法利用非线性光学和结构光扩展信息网络精度和容量

结构光由于其空间维度与多自由度的耦合，可以大幅提升信息容量。近年来，结构光模式与图像处理、机器智能的结合在通信、检测等领域展现出蓬勃的发展潜力。

结构光场最显著的特征之一是其振幅信息的二维和三维分布，这一特性可以与目前已经成熟的图像处理技术有效结合，也可以借助当前正在推动深刻变革的机器学习技术实现跨媒介的信息传递。

基于相干叠加态的复结构光场可以承载丰富的空间振幅信息，通过进一步结合空间非线性转换，可以实现信息容量的大幅提升。

北京理工大学张子龙、新加坡南洋理工大学沈逸杰等团队成员提出了一种基于复模相干叠加态及其空间非线性转换的增强信息容量新方法，并融合机器视觉与深度学习技术，实现了大角度点对多点低误码率信息传输。

该研究发表在《激光与光子学评论》杂志上。

图片来源：张子龙、何伟、赵素一、高远、王鑫、李笑天、王雨琪、马云飞、胡业通、沉一杰、赵昌明

该模型利用高斯光束通过空间光调制器获得结构光的空间非线性转换(SNC)，利用卷积神经网络(CNN)识别光束的强度分布。

通过对比基本叠加模式与SNC模式观察到，随着基本模式组成特征模式阶数的提高，HG叠加模式的编码能力明显优于LG模式，并且经过空间结构化非线性转换后的模式编码能力可以得到明显提升。

为了验证基于上述模型的编解码性能，传输了一幅50×50像素的彩色图像，将图像的RGB维度分为5个色度等级，共包含125种色度信息，每种色度信息由125个HG相干叠加态编码，并通过DMD空间光调制器将大气湍流引起的不同程度的相位抖动加载到这125个模式上，并通过深度学习技术进行训练，形成数据集。

进一步利用非线性变换进行了大容量解码效果分析，选取530个SNC模式，通过卷积神经网络对这些模式的混淆矩阵进行了实验测量，实验结果表明，由于SNC模式具有更加鲜明的结构特征，在显著提升数据容量的同时，依然能够保证同样较低的误码率，数据识别准确率可达99.5%。

此外，实验还验证了漫反射条件下的机器视觉模式识别能力，实现了多个接收相机同时进行高精度解码，观测角度可达70°。