نور ساختاریافته، با ترکیب پردازش پیشرفته تصویر با یادگیری ماشینی، سرعت انتقال اطلاعات را افزایش داده و در آزمایش‌هایی نوآورانه به داده‌هایی با ظرفیت و دقت بالا دست می‌یابد.
نور ساختاریافته این پتانسیل را دارد که ظرفیت اطلاعات خود را با ادغام ابعاد فضایی با درجات آزادی چندگانه افزایش دهد. این روزها ادغام الگوهای نور ساختاریافته با کمک پردازش تصویر و هوش مصنوعی، پتانسیل زیادی برای پیشرفت در زمینه‌هایی مانند ارتباطات و تشخیص را از خود نشان داده است.
یکی از قابل توجه‌ترین ویژگی‌های میدان نوری ساختاریافته، توزیع دو بعدی و سه بعدی اطلاعات دامنه آن است. این ویژگی می‌تواند به‌طور مؤثر با فناوری پردازش تصویر کاملاً توسعه‌یافته ادغام شود و همچنین به واسطه فناوری یادگیری ماشینی که در حال حاضر تغییرات عمیقی را ایجاد کرده، به انتقال اطلاعات بین رسانه‌ای دست یابد. میدان‌های نوری ساختاریافته پیچیده بر اساس حالت‌های برهم‌نهی منسجم می‌توانند اطلاعات دامنه فضایی فراوانی را حمل کنند. با ترکیب بیشتر تبدیل غیرخطی فضایی، افزایشی قابل‌توجه در ظرفیت اطلاعاتی می‌تواند محقق شود.
زیلونگ ژانگ از موسسه فناوری پکن و ییجی شن از دانشگاه فناوری نانیانگ، به همراه اعضای تیم خود، روشی جدید را برای افزایش ظرفیت اطلاعات بر اساس حالت‌های برهم‌نهی منسجم حالت پیچیده و تبدیل غیرخطی فضایی آنها پیشنهاد کردند. آنها با ادغام فناوری‌های دید ماشینی و یادگیری عمیق، به انتقال اطلاعات یک نقطه به چند نقطه با زاویه بزرگ و نرخ خطای بیت کم دست یافتند.
در این مدل، از پرتوهای گاوسی برای به دست آوردن تبدیل غیرخطی فضایی (SNC) نور ساختاریافته از طریق یک مدولاتور نور در فضا استفاده شده است. با استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای شناسایی توزیع شدت پرتوها و مقایسه حالت برهم‌نهی پایه و حالت SNC، مشاهده می‌شود که با افزایش ترتیب حالت‌های ویژه تشکیل‌دهنده حالت پایه، قابلیت کدگذاری حالت برهم‌نهی HG به‌طور قابل‌توجهی بهتر از حالت LG است و ظرفیت کدگذاری حالت پس از ساختار تبدیل غیرخطی فضایی را می‌تواند به‌طور قابل‌توجهی بهبود بخشد.
تأیید عملکرد رمزگذاری و رمزگشایی
برای تأیید عملکرد رمزگذاری و رمزگشایی بر اساس مدل فوق، یک تصویر رنگی ۵۰×۵۰ پیکسلی ارسال و ابعاد RGB تصویر به ۵ سطح رنگی تقسیم شد که شامل ۱۲۵ نوع اطلاعات رنگی است که هر کدام توسط ۱۲۵ حالت برهم‌نهی منسجم HG کدگذاری شده است. علاوه بر این، درجات مختلف لرزش فاز ناشی از اغتشاش اتمسفر بر روی این ۱۲۵ حالت از طریق یک مدولاتور نور فضایی DMD بارگذاری شد تا فناوری یادگیری عمیق با این مجموعه داده تشکیل‌شده، آموزش دیده شود.
علاوه بر این، با استفاده از تبدیل غیرخطی، بررسی اثرات رمزگشایی در ظرفیت‌های بالاتر اجرا شد که در آن ۵۳۰ حالت SNC برای اندازه‌گیری تجربی ماتریس درهم‌ریختگی این حالت‌ها توسط شبکه‌های عصبی کانولوشن انتخاب شدند. یافته‌های تجربی نشان می‌دهند که به دلیل ویژگی‌های ساختاری متمایز، حالت‌های SNC همچنان می‌توانند با ۹۹.۵% دقت در تشخیص، داده نرخ خطای بیتی کم‌تری را تضمین کنند در حالیکه ظرفیت داده را به میزان قابل‌توجهی افزایش می‌دهند. علاوه بر این، این آزمایش همچنین قابلیت تشخیص الگوی دید ماشینی را در شرایط بازتاب پراکنده تأیید کرد و به رمزگشایی همزمان با دقت بالا توسط چندین دوربین گیرنده با زوایای مشاهده‌ای تا ۷۰ درجه دست یافت.
این تحقیقات نشان می‌دهد که ادغام نور ساختاریافته با پردازش تصویر و یادگیری ماشینی، می‌تواند به بهبود چشمگیر ظرفیت و دقت انتقال اطلاعات منجر شود. این تکنولوژی می‌تواند در آینده نقش مهمی در ارتقای ارتباطات و تشخیص‌ها ایفا کند و زمینه‌های جدیدی را برای توسعه فناوری‌های پیشرفته فراهم سازد.
منبع: Scitechdaily
