CN112465137A - 一种基于光子神经网络的涡旋光束模态识别系统及方法 - Google Patents
一种基于光子神经网络的涡旋光束模态识别系统及方法 Download PDFInfo
- Publication number
- CN112465137A CN112465137A CN202011156823.5A CN202011156823A CN112465137A CN 112465137 A CN112465137 A CN 112465137A CN 202011156823 A CN202011156823 A CN 202011156823A CN 112465137 A CN112465137 A CN 112465137A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vortex
- waveguide
- module
- light
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Integrated Circuits (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开一种基于光子神经网络的涡旋光束模态识别系统及方法。该装置包括:光束产生装置,用于将杂偏基模高斯光处理为水平偏振的模态涡旋光束;特征样本制备装置,用于对涡旋光束处理得到波导光子神经网络训练和测试所需的畸变特征样本;光子神经网络训练和识别仿真装置,用于将训练集畸变特征样本输入波导光子神经网络得到最优模型,利用最优模型对测试集数据进行涡旋光束识别检测。波导光子神经网络实验装置,用于将最优模型中的相位信息加载到马赫曾德干涉仪阵列构成一个平面波导光子神经网络,用于实验上的涡旋光束模态识别。本发明提供一种集成化、高效和高速的波导光子神经网络用于涡旋光束识别,从而提升OAM通信系统的性能。
Description
技术领域
本发明涉及人工智能以及光学技术领域,尤其涉及的是一种基于光子神经网络的涡旋光束模态识别系统及方法。
背景技术
涡旋光是一种携带轨道角动量OAM(Orbital Angular Momentum,OAM,在空间中运动而具有的角动量)的光束,其中心存在相位奇点,在空间分布上呈“甜甜圈”型结构。这些特性使得涡旋光广泛应用于光学操纵、量子信息处理、光子计算机以及自由光空间通信等领域。在通信领域中,由于不同OAM光束之间相互正交,提供了一个全新的物理维度,可以与传统复用技术相结合作为载波进行多路复用,极大地提高系统的通信容量和频谱效率。由于深度学习具有强大的模式识别和分类能力,目前很多研究工作已经利用深度学习技术进行OAM模态的识别。深度学习技术虽然能够通过图像处理准确地识别OAM模态,但是基于电子计算机的深度学习技术受限于冯诺依曼结构,信息处理速度和能量利用效率有所局限。此外,传统电子神经网络无法实现全光信息处理,往往需要光电转换器件,无法进一步提高OAM复用通信中的通信容量和频谱效率。
因此,针对上述缺陷,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于光子神经网络的涡旋光束模态识别系统及方法,旨在实现高速、高效全光信息处理,实现OAM模态识别。
本发明解决技术问题所采用的技术方案如下:
一种基于光子神经网络的涡旋光束模态识别系统,其中,所述系统包括:
光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的具有不同模态的涡旋光束;
特征样本制备装置,用于对所述具有不同模态的涡旋光束进行湍流相位和一维叉形涡旋光栅相位加载,经过远场衍射后得到一维远场衍射光斑,并利用特征参量提取器件提取特征样本,得到波导光子神经网络训练和测试所需的畸变特征样本;
光子神经网络训练和识别仿真装置,用于通过所述畸变特征样本对波导光子神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集不同涡旋光束模态进行检测。
波导光子神经网络实验装置,用于对输入包含所述畸变特征样本的光束信息进行光学矩阵运算和非线性光学激活,实现不同阶数涡旋光束的模态识别和预测。
所述基于光子神经网络的涡旋光束模态识别系统,其中,所述光束产生装置包括:
用于产生一束基模杂偏高斯光束的激光器光源;
设置在所述激光器光源后方,用于将所述基模杂偏高斯光束在水平偏振方向上调制后生成具有水平偏振态的高斯光束的起偏器;
设置在所述起偏器后方,用于将水平偏振态的高斯光束处理为水平偏振的不同模态涡旋光产生模块。
所述基于光子神经网络的涡旋光束模态识别系统,其中,所述特征样本制备装置包括:
设置在所述不同模态涡旋光产生模块后方,用于将所述水平偏振的不同阶数涡旋光束加载湍流相位转变为相位畸变的涡旋光束的湍流相位加载模块;
设置在所述湍流相位加载模块后方,用于将所述相位畸变的不同阶数涡旋光束转变成一维排布的涡旋光束的一维叉形涡旋光栅加载模块;
设置在所述一维叉形涡旋光栅加载模块后方,用于将所述一维叉形涡旋光栅处理得到受湍流扰动的一维排布的涡旋光束的衍射模块;
设置在所述衍射模块后方,用于采集畸变一维排布涡旋光束图样的记录衍射图样模块;
设置在所述记录衍射图样模块后方,用于对所述畸变一维排布涡旋光束图样进行特征参量提取的特征参量提取模块。
所述基于光子神经网络的涡旋光束模态识别系统,其中,所述光子神经网络训练和识别仿真装置包括:
设置在所述特征参量提取模块后方,用于输入所述特征参量提取模块提取的所述特征参量的网络输入模块;
设置在所述网络输入模块后方,用于对所述特征参量进行迭代训练,并通过所述最优模型对测试集中的不同阶数涡旋光模态进行检测的网络训练测试模块。
所述基于光子神经网络的涡旋光束模态识别系统,其中,所述波导光子神经网络实验装置包括:
用于输入所述特征参量提取模块所提取的特征参量的波导光子神经网络实验输入模块。
设置在所述波导光子神经网络实验输入模块后方的,由加载了最优模型中相移信息的马赫曾德干涉仪阵列所构成用于进行光学矩阵乘法运算的光学运算单元。
设置在所述光学运算单元后方的,用于对光学运算单元输出的光束信息进行非线性光学运算的非线性光学激活单元。
设置在所述非线性光学激活单元后方的,用于输出波导光子神经网络的光束信息实验输出模块。
设置在所述实验输出模块后方,用于采集波导光子神经网络的光束信息的光子采集模块。
所述基于光子神经网络的涡旋光束模态识别系统,其中,所述光源为工作波长为1550nm的激光器;
所述起偏器为水平偏振方向的格兰棱镜;
所述不同模态涡旋光产生模块为只对水平偏振方向响应的第一空间光调制器;
所述湍流相位加载模块为只对水平偏振方向响应的第二空间光调制器;
所述一维叉形涡旋光栅加载模块为只对水平偏振方向响应的第三空间光调制器;
所述衍射模块为1550nm波段的傅里叶透镜;
所述记录衍射图样模块为1550nm波段的电荷耦合器件;
所述特征参量提取模块为第一计算机;
所述网络输入模块为数据传输装置;
所述网络训练测试模块为搭建有波导光子神经网络第二计算机;
所述数据传输装置用于将所述第一计算机的特征参量传输至所述第二计算机;
所述的实验输入模块1550nm波段的光子阵列发生器;
所述光学运算单元为由携带有不同相位信息的马赫曾德干涉仪阵列所组成的刻蚀波导结构;
所述非线性光学激活单元为连接在光学运算单元后方的携带有非线性函数的刻蚀波导结构;
所述实验输出模块为连接在非线性光学激活单元后方的刻蚀波导结构;
所述光子采集模块为1550波段的电荷耦合器件。
为了实现上述目的,本发明还提供一种基于波导光子神经网络的涡旋光束模态识别方法,所述方法应用于如上述的基于光子神经网络的涡旋光束模态识别系统,所述方法包括以下步骤:
S100、通过所述光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的不同阶数的涡旋光束;
S200、通过所述特征样本制备装置对所述不同阶数涡旋光束进行湍流相位和一维叉形涡旋光栅相位加载,经过远场衍射后得到远场一维涡旋光场分布,并利用特征参量提取器件提取特征样本,得到波导光子神经网络训练和测试所需的畸变特征样本;
S300、通过所述特征样本制备装置获取所述畸变特征样本对波导光子神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的不同阶数涡旋光模态进行检测。
S400、通过所述光子神经网络训练模块迭代获得最优模型后,将相位信息加载到由马赫曾德干涉仪阵列所构成的刻蚀波导光学运算单元,同时将非线性激活函数加载到刻蚀波导非线性光学激活单元,组成实验波导光子神经网络。
S500、通过光束阵列发生器输入所述特征样本的光束信息,在光子神经网络的输出端口用光电探测器获得输出光学信息,在实验上实现对涡旋光束进行模态识别。
所述步骤S100包括:
将激光器出射的一束基模杂偏高斯光束经过水平偏振方向的起偏器后得到水平偏振态的高斯光束;
水平偏振方向的高斯光束经过涡旋光产生模块生成水平偏振态的不同阶数的涡旋光束。
所述步骤S200具体包括:
将所述水平偏振的不同阶数的涡旋光束经过湍流相位加载模块加载湍流相位转变为相位畸变的不同阶数的涡旋光束;
将所述相位畸变的不同阶数涡旋光束经过一维叉形涡旋光栅加载模块转变成一维涡旋光场分布;
将所述一维涡旋光场分布经过衍射模块处理得到受湍流扰动的一维涡旋光场分布;
通过记录衍射图样模块采集畸变一维涡旋光场分布图样,并通过特征参量提取模块对所述畸变一维涡旋光场分布图样进行特征参量提取,到波导光子神经网络训练和测试所需的畸变特征样本。
所述步骤S300包括:
输入特征参量提取模块提取的所述畸变特征样本作为波导光子神经网络的输入,对波导光子神经网络进行训练;
当损失函数值达到预设阈值时,得到训练好的最优波导光子神经网络模型;
通过所述最优波导光子神经网络模型从测试集的特征样本中识别出涡旋光模态。
所述的基于波导光子神经网络的涡旋光束模态识别方法,其特征在于,所述波导光子神经网络的训练步骤包括:
将多个畸变衍射样本的特征参量输入光子神经网络后,经过信息前向传播过程得到网络的输出,并根据损失函数得到相应的损失值;
波导光子神经网络在得到损失值后经过误差反向传播过程更新网络权值参数,多次迭代更新得到最优波导光子神经网络模型;
所述波导光子神经网络的识别步骤包括:
在得到所述最优波导光子神经网络模型后,将测试集中的畸变衍射图样的特征参量作为所述最优波导光子神经网络模型的输入,对波导光子神经网络进行测试;
测试结果符合预期后用于不同模态的涡旋光识别。
所述步骤S400包括:
将最优模型中的马赫曾德干涉仪阵列的相移信息提取,并加载到由马赫曾德干涉仪阵列所构成的刻蚀波导光学运算单元,对输入光子实现光学矩阵乘法运算。
将设计好的非线性激活函数加载到由分束器、光电转化装置和马赫曾德干涉仪阵列组成刻蚀波导非线性光学激活单元,并连接在刻蚀波导光学运算单元的后端,组成实验波导光子神经网络。
所述步骤S500包括:
将不同涡旋光束多个畸变衍射样本的特征参量利用光子阵列发生器输入光子神经网络。光束信息在光子神经网络中分别经过刻蚀波导光子运算单元和刻蚀波导非线性光学激活单元后,在输出端口输出光束信息。
将光电探测器放置于输出端口即可采集光束信息,在实验上实现对涡旋光束模态的识别。
有益效果:波导光子神经网络在迭代训练到最优模型后展现出强大的非线性泛化能力,能够快速且准确的检测出受大气湍流畸变影响的涡旋光束的模态。此外,相较于传统深度学习技术的OAM模式识别,本发明不同于依靠于电子冯诺依曼结构的电子神经网络,波导光子神经网络可以实现真正意义上的全光计算,提高运算速率和能量利用率,在轨道角动量通信等方面具有广阔的应用前景。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明基于光子神经网络的涡旋光束模态识别系统的较佳实施例的结构示意图;
图2是本发明基于波导光子神经网络的涡旋光束模态识别方法的较佳实施例的流程图;
图3是本发明波导光子神经网络模型架构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,图1是本发明基于光子神经网络的涡旋光束模态识别系统的较佳实施例的结构示意图。
如图1所示,本发明实施例提供的基于光子神经网络的涡旋光束模态识别系统包括:
光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的模态涡旋光束;特征样本制备装置,用于对涡旋光束进行湍流相位和一维叉形涡旋光栅相位加载,经过远场衍射后得到远场一维衍射分布,并利用特征参量提取器件提取特征样本,得到波导光子神经网络训练和测试所需的畸变特征样本;光子神经网络训练和识别仿真装置,用于将训练集畸变特征样本输入波导光子神经网络并优化出包含相位信息的最优模型,利用最优模型对测试集数据进行涡旋光束识别检测。波导光子神经网络实验装置,用于将最优模型中的相位信息加载到马赫曾德干涉仪阵列构成一个平面波导光子神经网络,用于实验上的涡旋光束模态识别。其中,光束产生装置、特征样本制备装置以及网络训练和识别装置依次设置在同一光轴上,波导光子神经网络实验装置置于另外一个平行光轴上。
具体地,光束产生装置包括:激光器光源1、起偏器2和涡旋光产生模块3;激光器光源1用于产生一束杂偏基模高斯光束,设置在激光器光源1后方,起偏器2用于将杂偏基模高斯光束在水平偏振方向上调解后生成水平偏振态的高斯光束,设置在起偏器2后方,涡旋光产生模块3用于将水平偏振态的高斯光束处理为水平偏振的涡旋光束。
其中,激光器光源1采用工作波长为1550nm的激光器,起偏器2是水平偏振方向的格兰棱镜,涡旋光产生模块3是只对水平偏振方向响应的第一空间光调制器。
具体地,特征样本制备装置包括:湍流相位加载模块4、一维叉形涡旋光栅加载模块5、衍射模块6、记录衍射图样模块7和特征参量提取模块8;设置在涡旋光产生模块3后方,湍流相位加载模块4用于将水平偏振涡旋光束加载湍流相位转变为畸变的涡旋光束;设置在湍流相位加载模块4后方,一维叉形涡旋光栅加载模块5用于将畸变的不同阶数涡旋光束转变成一维涡旋光场分布;设置在一维叉形涡旋光栅加载模块5后方,衍射模块6用于将一维涡旋光场分布处理得到受湍流扰动的一维涡旋光场分布;设置在衍射模块后方,记录衍射图样模块7用于采集畸变一维涡旋光束图样;设置在记录衍射图样模块7后方,特征参量提取模块8用于对畸变一维涡旋光束图样进行特征参量提取。
其中,湍流相位加载模块4是只对水平偏振方向响应的第二空间光调制器,一维叉形涡旋光栅加载模块5是只对水平偏振方向响应的第三空间光调制器,衍射模块6是1550nm波段的傅里叶透镜,记录衍射图样模块7是1550nm波段的电荷耦合器件,特征参量提取模块8为第一计算机。
具体地,光子神经网络训练和识别仿真装置包括:网络输入模块9和网络训练测试模块10;设置在特征参量提取模块8后方,网络输入模块9用于输入特征参量提取模块提取的特征参量;设置在网络输入模块9后方,网络训练测试模块10用于对特征参量进行迭代训练,并通过最优模型对测试集中的不同阶数涡旋光模态进行检测。
其中,网络输入模块9为数据传输装置;网络训练测试模块10为搭建有光子神经网络模型的第二计算机;数据传输装置用于将第一计算机的特征参量传输至第二计算机。
其中,激光器光源1、起偏器2、涡旋光产生模块3、湍流相位加载模块4、一维叉形涡旋光栅加载模块5、衍射模块6、记录衍射图样模块7、特征参量提取模块8、网络输入模块9以及网络训练测试模块10依次设置在同一光轴上。
进一步地,基于上述实施例提供的基于光子神经网络的涡旋光束模态识别系统,本发明还提供一种基于波导光子神经网络的涡旋光束模态识别方法,请参阅图2,图2是本发明基于波导光子神经网络的涡旋光束模态识别方法的较佳实施例的流程图。
依照本发明中的基于光子神经网络的涡旋光束模态识别系统的光路结构,具体实现过程如下:
步骤S100,通过光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的不同阶数涡旋光束;
步骤S200,通过特征样本制备装置对不同阶数涡旋光束进行湍流相位和一维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到光子神经网络训练和测试所需的畸变特征样本;
步骤S300,通过特征样本制备装置获取畸变特征样本对光子神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的不同阶数涡旋光模态进行检测。
步骤S400,通过所述光子神经网络训练模块迭代获得最优模型后,将相位信息加载到由马赫曾德干涉仪阵列所构成的刻蚀波导光学运算单元,同时将非线性激活函数加载到刻蚀波导非线性光学激活单元,组成实验波导光子神经网络。
S500、通过光子阵列发生器输入特征样本的光束信息,在光子神经网络的输出端口用光电探测器获得输出光束信息,在实验上实现对涡旋光束进行模态识别。
具体地,步骤S100具体包括:
步骤S110,将激光器出射的一束杂偏基模高斯光束经过水平偏振方向的起偏器后得到水平偏振态的高斯光束;
步骤S120,水平偏振方向的高斯光束经过涡旋光产生模块生成水平偏振态的不同阶数涡旋光束。
具体地,步骤S200具体包括:
步骤S210,通过光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的不同阶数的涡旋光束;
步骤S220,将相位畸变的不同阶数涡旋光束经过一维叉形涡旋光栅加载模块转变成一维涡旋光场分布;
步骤S230,将一维涡旋光场分布经过衍射模块处理得到受湍流扰动的一维涡旋光场分布;
步骤S240,通过记录衍射图样模块采集畸变一维涡旋光场分布图样,并通过特征参量提取模块对畸变一维涡旋光场分布图样进行特征参量提取,到光子神经网络训练和测试所需的畸变特征样本。
也就是说,产生的水平偏振涡旋光束经过湍流相位加载装置使其携带大气湍流畸变信息,模拟涡旋光束受自由空间大气湍流的影响;携带湍流信息的涡旋光束经过一维叉形涡旋光栅相位加载装置,获得一维涡旋光场分布信息,使得其在一维方向叠加不同OAM态;携带湍流信息的涡旋光束经过衍射模块得到受湍流扰动的一维涡旋光场分布,输入特征信息提取模块可以提取其中心五个衍射光斑光强的归一化最大值,方差以及平均值三个特征信息构成特征样本。其中特征样本分为训练集和测试集两部分。
具体地,步骤S300具体包括:
步骤S310,输入特征参量提取模块提取的畸变特征样本作为光子神经网络的输入,对光子神经网络进行训练;
步骤S320,当损失函数值达到预设阈值时,得到训练好的最优光子神经网络模型;
步骤S330,通过最优光子神经网络模型从测试集的特征样本中识别出涡旋光模态。
也就是说,采集大量的经过远场衍射后携带相位畸变和一维涡旋特征的一维涡旋光场分布,输入特征参量提取模块提取特征样本作为光子神经网络的输入,对光子神经网络进行训练;当损失函数值达到预设阈值时,得到训练好的光子神经网络;训练最优的光子神经网络模型可用于从测试集的衍射图样中识别出涡旋光模态。
进一步地,光子神经网络的训练步骤包括:将多个的畸变衍射样本的特征参量输入光子神经网络后,经过信息前向传播过程得到网络的输出,并根据损失函数得到相应的损失值;光子神经网络在得到损失值后经过误差反向传播过程获取更新的网络权值参数,多次迭代更新得到最优光子神经网络模型。
进一步地,光子神经网络的识别步骤包括:在得到最优光子神经网络模型后,将测试集中的畸变衍射图样的特征参量作为最优光子神经网络模型的输入,对光子神经网络进行测试;测试结果符合预期后用于不同阶数涡旋光模态的识别。
具体地,步骤S400具体包括:
步骤S410,将光子神经网络最优模型中的马赫曾德干涉仪阵列的相位信息提取,并利用刻蚀技术加载到波导结构上,组成刻蚀波导光学运算单元。
步骤S420,在刻蚀波导光学运算单元后连接加载了非线性激活函数的刻蚀波导非线性光学激活单元,与光学运算单元共同组成波导光子神经网络。
步骤S430,利用光子阵列发生器输入特征样本的光束信息,经过波导光子神经网络之后可以在输出端口利用光电探测器获得输出光束信息,实现模态识别。
在本发明的一个较佳实施例中,光束产生装置具体用于将激光器(光源)出射的一束杂偏基模高斯光束经过水平偏振方向的起偏器后生成水平偏振态的高斯光束,再经过涡旋光产生模块得到水平偏振的不同阶数涡旋光束。水平偏振的不同阶数涡旋光束的远场分布可近似表示为:
在本发明的一个较佳实施例中,特征样本制备装置具体用于将水平偏振态的涡旋光束加载湍流相位转变为相位畸变的不同阶数涡旋光束,然后通过一维叉形涡旋光栅加载模块衍射成一维涡旋光场分布,并用电荷耦合器件进行畸变一维涡旋光场分布图样进行采集。采集的畸变一维涡旋光场分布图样分别输入特征参量提取模块进行特征参量提取,并将所提取的特征样本分为训练集和测试集两个部分,分别用于光子神经网络的训练和测试。
在本发明的一个较佳实施例中,网络训练和识别装置具体用于将采集的训练集特征参量(即畸变特征样本)作为光子神经网络的输入,对其进行迭代训练,当迭代到损失值达到预期阈值即可得到最优光子神经网络模型,再用最优光子神经网络模型对测试集中的不同阶数涡旋光模态进行检测。
本发明中,光子神经网络在迭代训练到最优之后展现出了很强的泛化能力,能够快速且准确的检测出湍流条件下畸变的不同阶数涡旋光束模态,解决了OAM键控通信中缺乏有效模式检测技术和能量利用效率低的问题,极大地其调制能力和实际利用能力。相比于传统的模态检测方法,本发明还提供了一种以刻蚀波导为基础的波导光子神经网络,在实验上展示了光子神经网络的实现过程。这种波导光子神经网络打破了传统的冯诺依曼结构,可以实现高效、快速的全光信息处理,在轨道角动量通信等方面具有广阔的应用前景。
进一步地,如图3所示,本发明的光子神经网络模型框架包括:光子输入层11、光学运算层(4个隐藏层)分别为第一马赫曾德干涉仪阵列层12、第一非线性光学激活层13和第二马赫曾德干涉仪阵列层14和第二非线性光学激活层15,以及光子输出层16。这是一个输入的特征样本经过一个或多个中间光学运算单元信息流动之后最终到达输出单元的过程。本发明采用的光子神经网络模型是一个6层的深度神经网络,模型的训练步骤具体如下:
输入层11:将电荷耦合器件记录的畸变衍射阵列所提取的特征参量作为光子神经网络的输入,对光子神经网络进行迭代训练,每个输入特征参量的尺寸为1×15。
光学运算层(12、13、14、15):光子神经网络包含有4个中间光学运算层,分别由含有49、15、49、15个马赫曾德干涉仪或非线性光学激活单元组成。第一马赫曾德干涉仪阵列层采用马赫曾德干涉仪数目为49,第一非线性光学激活层采用的非线性光学激活单元为15,第二马赫曾德干涉仪阵列层采用马赫曾德干涉仪数目为49,第二非线性光学激活层采用的非线性光学激活单元为15。其中,马赫曾德干涉仪阵列层与非线性光学激活层相连接。
输出层16:经过大量特征参量迭代训练达到最优光子神经网络模型可通过输出层15输出不同阶数涡旋光模态数为10。当输出层16的模态数为10代表涡旋光束模态选择范围为-5到+5。
光子神经网络框架中光学运算层采用马赫曾德干涉仪阵列和非线性光学激活单元实现,其中单一马赫曾德干涉仪对光子的处理过程可以表示为一个矩阵运算:
其中,代表马赫曾德干涉仪的输出光束信息分布,B代表分束器矩阵,Rθ和分别代表马赫曾德干涉仪的两个相移矩阵,θ代表内部相移量,代表外部相移量。而本装置所采用的光学运算单元是由许多满足该运算规律的马赫曾德干涉仪阵列所构成的。
连接在光学运算单元后方的非线性光学激活单元的作用是对光学运算单元的线性处理结果进行非线性激活,提高光子神经网络的泛化能力。本装置所采用的非线性激活器件为加载特定非线性函数的刻蚀波导光学结构,其中非线性激活函数可以表示为:
其中,xi表示第i(此处的i表示正整数,即表示哪一条波导)个的远场衍射分布的特征参量,θ是网络的权值参数,X'为光学运算层所计算值。在光子神经网络模型训练的过程当中,用损失函数来表征模型训练的好坏,随着网络迭代次数的增加,要求损失函数值越低越好,最好接近于0,来表明训练得到的模型精度最高,效果最佳。Sigmoid函数的输出结果是f(xi,θ),它可以通过最小化交叉熵损失函数来训练以逼近实际输出。交叉熵损失函数可表示为:
L(f(X,θ),Y)=-∑yilnf(xi,θ);
其中,L(·)表示损失函数,θ表示网络权值参数,X表示涡旋光束的远场衍射分布的特征参量,Y表示网络的理想输出即不同阶数涡旋光束的模态数,xi表示第i个涡旋光束的远场衍射阵列的特征参量,yi表示第i个涡旋光束的模式。
本实施例的光子神经网络的涡旋光束模态识别装置,成功利用深度学习技术仿真构建光子神经网络对不同阶数涡旋光的模态进行识别检测,并且利用刻蚀波导技术,构建了马赫曾德干涉仪阵列和非线性光学激活单元所组成的光学运算单元,提供了一种高效、快速的全光信息处理的方法。相比传统的模态检测方法,本发明的涡旋光模态识别装置具有操作简单方便、检测效果高效以及全光运算等特点,在轨道角动量通信等方面具有广阔的应用前景。
综上所述,本发明提出了一种基于光子神经网络的涡旋光束模态识别系统及方法,系统包括:光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的模态涡旋光束;特征样本制备装置,用于对涡旋光束进行湍流相位和一维叉形涡旋光栅相位加载,经过远场衍射后得到远场一维衍射分布,并利用特征参量提取器件提取特征样本,得到波导光子神经网络训练和测试所需的畸变特征样本;波导光子神经网络训练和识别仿真装置,用于将训练集畸变特征样本输入波导光子神经网络并优化出包含相位信息的最优模型,利用最优模型对测试集数据进行涡旋光束识别检测。波导光子神经网络实验装置,用于将最优模型中的相位信息加载到马赫曾德干涉仪阵列构成一个平面波导光子神经网络,用于实验上的涡旋光束模态识别。本发明旨在提供一种高效、高速的波导光子神经网络用于单一模态涡旋光束识别,从而提升OAM通信系统的性能。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于光子神经网络的涡旋光束模态识别系统,其特征在于,包括:
光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的具有不同模态的涡旋光束;
特征样本制备装置,用于对具有不同模态的所述涡旋光束进行湍流相位和一维叉形涡旋光栅相位加载,经过远场衍射后得到一维远场衍射光斑,并利用特征参量提取器件提取特征样本,得到波导光子神经网络训练和测试所需的畸变特征样本;
光子神经网络训练和识别仿真装置,用于通过所述畸变特征样本对波导光子神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中不同涡旋光束模态进行检测;
波导光子神经网络实验装置,用于对输入包含所述畸变特征样本的光束信息进行光学矩阵运算和非线性光学激活,实现不同阶数涡旋光束的模态识别和预测。
2.根据权利要求1所述的基于光子神经网络的涡旋光束模态识别系统,其特征在于,所述光束产生装置包括:
激光器光源,用于产生一束基模杂偏高斯光束;
起偏器,设置在所述激光器光源后方,用于将所述基模杂偏高斯光束在水平偏振方向上调制后生成具有水平偏振态的高斯光束;
不同模态涡旋光产生模块,设置在所述起偏器后方,用于将水平偏振态的高斯光束处理为水平偏振的不同模态涡旋光产生模块。
3.根据权利要求2所述的基于光子神经网络的涡旋光束模态识别系统,其特征在于,所述特征样本制备装置包括:
湍流相位加载模块,设置在所述不同模态涡旋光产生模块后方,用于将水平偏振的不同阶数涡旋光束加载湍流相位转变为相位畸变的涡旋光束;
一维叉形涡旋光栅加载模块,设置在所述湍流相位加载模块后方,用于将相位畸变的不同阶数涡旋光束转变成一维排布的涡旋光束;
衍射模块,设置在所述一维叉形涡旋光栅加载模块后方,用于将所述一维叉形涡旋光栅加载模块处理得到受湍流扰动的一维排布的涡旋光束;
记录衍射图样模块,设置在所述衍射模块后方,用于采集畸变一维排布涡旋光束图样;
特征参量提取模块,设置在所述记录衍射图样模块后方,用于对所述畸变一维排布涡旋光束图样进行特征参量提取。
4.根据权利要求3所述的基于光子神经网络的涡旋光束模态识别系统,其特征在于,所述光子神经网络训练和识别仿真装置包括:
网络输入模块,设置在所述特征参量提取模块后方,用于接收所述特征参量提取模块提取的所述特征参量;
网络训练测试模块,设置在所述网络输入模块后方,用于对所述特征参量进行迭代训练,并通过所述最优模型对测试集中的不同模态涡旋光进行检测。
5.根据权利要求4所述的基于光子神经网络的涡旋光束模态识别系统,其特征在于,所述波导光子神经网络实验装置包括:
波导光子神经网络实验输入模块,用于输入所述特征参量提取模块所提取的特征参量;
光学运算单元,设置在所述波导光子神经网络实验输入模块后方的,由加载了最优模型中相移信息的马赫曾德干涉仪阵列所构成用于进行光学矩阵乘法运算;
非线性光学激活单元,设置在所述光学运算单元后方的,用于对光学运算单元输出的光束信息进行非线性光学运算;
实验输出模块,设置在所述非线性光学激活单元后方的,用于输出波导光子神经网络的光束信息;
光子采集模块,设置在所述实验输出模块后方,用于采集波导光子神经网络的光束信息。
6.根据权利要求5所述的基于光子神经网络的涡旋光束模态识别系统,其特征在于,所述激光器光源的工作波长为1550nm;
所述起偏器为水平偏振方向的格兰棱镜;
所述不同模态涡旋光产生模块为只对水平偏振方向响应的第一空间光调制器;
所述湍流相位加载模块为只对水平偏振方向响应的第二空间光调制器;
所述一维叉形涡旋光栅加载模块为只对水平偏振方向响应的第三空间光调制器;
所述衍射模块为1550nm波段的傅里叶透镜;
所述记录衍射图样模块为1550nm波段的电荷耦合器件;
所述特征参量提取模块为第一计算机;
所述网络输入模块为数据传输装置;
所述网络训练测试模块为搭建有波导光子神经网络第二计算机;
所述数据传输装置用于将所述第一计算机的特征参量传输至所述第二计算机;
所述波导光子神经网络实验输入模块为1550nm波段的光子阵列发生器;
所述光学运算单元为由携带有不同相位信息的马赫曾德干涉仪阵列所组成的刻蚀波导结构;
所述非线性光学激活单元为连接在光学运算单元后方的携带有非线性函数的刻蚀波导结构;
所述实验输出模块为连接在非线性光学激活单元后方的刻蚀波导结构;
所述光子采集模块为1550波段的电荷耦合器件。
7.一种基于波导光子神经网络的涡旋光束模态识别方法,其特征在于,所述方法应用于如权利要求1至6任一项所述的基于光子神经网络的涡旋光束模态识别系统,所述方法包括以下步骤:
S100、通过光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的不同阶数的涡旋光束;
S200、通过特征样本制备装置对不同阶数涡旋光束进行湍流相位和一维叉形涡旋光栅相位加载,经过远场衍射后得到远场一维涡旋光场分布,并利用特征参量提取器件提取特征样本,得到波导光子神经网络训练和测试所需的畸变特征样本;
S300、通过特征样本制备装置获取所述畸变特征样本对波导光子神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的不同模态涡旋光进行检测;
S400、通过光子神经网络训练模块迭代获得最优模型后,将相位信息加载到由马赫曾德干涉仪阵列所构成的刻蚀波导光学运算单元,同时将非线性激活函数加载到刻蚀波导非线性光学激活单元,组成实验波导光子神经网络;
S500、通过光子阵列发生器输入所述特征样本的光束信息,在光子神经网络的输出端口用光电探测器获得输出光束信息,在实验上实现对涡旋光束进行模态识别。
8.根据权利要求7所述的基于波导光子神经网络的涡旋光束模态识别方法,其特征在于,所述步骤S100包括:
将激光器光源出射的一束基模杂偏高斯光束经过水平偏振方向的起偏器后得到水平偏振态的高斯光束;
水平偏振方向的高斯光束经过不同模态涡旋光产生模块生成水平偏振态的不同阶数的涡旋光束。
9.根据权利要求7所述的基于波导光子神经网络的涡旋光束模态识别方法,其特征在于,所述步骤S200包括:
将水平偏振的不同阶数的涡旋光束经过湍流相位加载模块加载湍流相位转变为相位畸变的涡旋光束;
将相位畸变的不同阶数涡旋光束经过一维叉形涡旋光栅加载模块转变成一维涡旋光场分布;
将所述一维涡旋光场分布经过衍射模块处理得到受湍流扰动的一维涡旋光场分布;
通过记录衍射图样模块采集畸变一维涡旋光场分布图样,并通过特征参量提取模块对所述畸变一维涡旋光场分布图样进行特征参量提取,到波导光子神经网络训练和测试所需的畸变特征样本。
10.根据权利要求7所述的基于波导光子神经网络的涡旋光束模态识别方法,其特征在于,所述步骤S300包括:
输入特征参量提取模块提取的所述畸变特征样本作为波导光子神经网络的输入,对波导光子神经网络进行训练;
当损失函数值达到预设阈值时得到训练好的最优波导光子神经网络模型;
通过所述最优波导光子神经网络模型从测试集的特征样本中识别出涡旋光模态;
所述波导光子神经网络的训练步骤包括:
将多个畸变衍射样本的特征参量输入光子神经网络后,经过信息前向传播过程得到网络的输出,并根据损失函数得到相应的损失值;
波导光子神经网络在得到损失值后经过误差反向传播过程不断更新网络权值参数,多次迭代更新得到最优波导光子神经网络模型;
所述波导光子神经网络的识别步骤包括:
在得到所述最优波导光子神经网络模型后,将测试集中的畸变衍射图样的特征参量作为所述最优波导光子神经网络模型的输入,对波导光子神经网络进行测试;
测试结果符合预期后用于不同阶数的涡旋光模态的识别;
所述步骤S400包括:
将最优模型中的马赫曾德干涉仪阵列的相移信息提取,并加载到由马赫曾德干涉仪阵列所构成的刻蚀波导光学运算单元,对输入光子实现光学矩阵乘法运算;
将设计好的非线性激活函数加载到由分束器、光电转化装置和马赫曾德干涉仪阵列组成刻蚀波导非线性光学激活单元,并连接在刻蚀波导光学运算单元的后端,组成实验波导光子神经网络;
所述步骤S500包括:
将不同涡旋光束多个畸变衍射样本的特征参量利用光子阵列发生器输入光子神经网络,光束信息在光子神经网络中分别经过刻蚀波导光子运算单元和刻蚀波导非线性光学激活单元后,在输出端口输出光束信息;
将光电探测器放置于输出端口采集光束信息,在实验上实现对涡旋光束模态的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011156823.5A CN112465137B (zh) | 2020-10-26 | 2020-10-26 | 一种基于光子神经网络的涡旋光束模态识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011156823.5A CN112465137B (zh) | 2020-10-26 | 2020-10-26 | 一种基于光子神经网络的涡旋光束模态识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465137A true CN112465137A (zh) | 2021-03-09 |
CN112465137B CN112465137B (zh) | 2023-09-15 |
Family
ID=74834419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011156823.5A Active CN112465137B (zh) | 2020-10-26 | 2020-10-26 | 一种基于光子神经网络的涡旋光束模态识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465137B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065494A (zh) * | 2021-04-13 | 2021-07-02 | 清华大学 | 一种涡旋电子模态识别系统、方法、装置及电子设备 |
CN113297789A (zh) * | 2021-05-17 | 2021-08-24 | 南京大学 | 一种基于机器学习的声涡旋分束器设计方法 |
CN113595649A (zh) * | 2021-07-19 | 2021-11-02 | 联合微电子中心有限责任公司 | 光学非线性激活单元、方法和光子神经网络 |
CN114089473A (zh) * | 2021-11-24 | 2022-02-25 | 深圳技术大学 | 一种片上微腔光子集成芯片结构及其制备方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010199308A (ja) * | 2009-02-25 | 2010-09-09 | Chiba Univ | 光渦発生装置と方法 |
CN104121996A (zh) * | 2014-07-21 | 2014-10-29 | 河南科技大学 | 一种测量涡旋光束高阶拓扑荷的测量装置 |
CN206804164U (zh) * | 2016-12-27 | 2017-12-26 | 中国计量大学 | 一种利用光涡旋实现超瑞利极限的远场衍射成像装置 |
CN109477938A (zh) * | 2016-06-02 | 2019-03-15 | 麻省理工学院 | 用于光学神经网络的设备和方法 |
CN110186559A (zh) * | 2019-04-19 | 2019-08-30 | 深圳大学 | 一种涡旋光束轨道角动量模态的检测方法及装置 |
CN111222538A (zh) * | 2019-11-22 | 2020-06-02 | 深圳大学 | 一种涡旋光束模态识别方法、智能终端及存储介质 |
CN111399086A (zh) * | 2020-03-25 | 2020-07-10 | 武汉大学 | 一种基于超表面材料的叉形光栅复用方法 |
US20200327403A1 (en) * | 2019-04-15 | 2020-10-15 | The Hong Kong University Of Science And Technology | All optical neural network |
-
2020
- 2020-10-26 CN CN202011156823.5A patent/CN112465137B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010199308A (ja) * | 2009-02-25 | 2010-09-09 | Chiba Univ | 光渦発生装置と方法 |
CN104121996A (zh) * | 2014-07-21 | 2014-10-29 | 河南科技大学 | 一种测量涡旋光束高阶拓扑荷的测量装置 |
CN109477938A (zh) * | 2016-06-02 | 2019-03-15 | 麻省理工学院 | 用于光学神经网络的设备和方法 |
CN206804164U (zh) * | 2016-12-27 | 2017-12-26 | 中国计量大学 | 一种利用光涡旋实现超瑞利极限的远场衍射成像装置 |
US20200327403A1 (en) * | 2019-04-15 | 2020-10-15 | The Hong Kong University Of Science And Technology | All optical neural network |
CN110186559A (zh) * | 2019-04-19 | 2019-08-30 | 深圳大学 | 一种涡旋光束轨道角动量模态的检测方法及装置 |
CN111222538A (zh) * | 2019-11-22 | 2020-06-02 | 深圳大学 | 一种涡旋光束模态识别方法、智能终端及存储介质 |
CN111399086A (zh) * | 2020-03-25 | 2020-07-10 | 武汉大学 | 一种基于超表面材料的叉形光栅复用方法 |
Non-Patent Citations (6)
Title |
---|
DEEPLEARNINGER: "光子神经网络的应用及发展概述", Retrieved from the Internet <URL:https://blog.csdn.net/weixin_45890678/article/details/108225579> * |
PEIPEI WANG等: "Convolutional Neural Network-Assisted Optical Orbital Angular Momentum Recognition and Communication", IEEE ACCESS, vol. 7, pages 162025, XP011755348, DOI: 10.1109/ACCESS.2019.2951579 * |
WENJIE XIONG等: "Convolutional Neural Network Assisted Optical Orbital Angular Momentum Identification of Vortex Beams", IEEE ACCESS, vol. 8, pages 193801, XP011818061, DOI: 10.1109/ACCESS.2020.3029139 * |
ZHIXIANG MAO等: "Broad Bandwidth and Highly Efficient Recognition of Optical Vortex Modes Achieved by the Neural-Network Approach", PHYSICAL REVIEW APPLIED, vol. 13, no. 3, pages 1 - 11 * |
孟祥君;朱艳英;陈志婷;魏勇;张磊;赵宝林;郭西华;: "平面光斜入射叉形光栅获取涡旋光束的特性", 中国激光, no. 02, pages 73 - 77 * |
廖焕宇: "轨道角动量光束产生与探测的仿真以及实验研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), pages 136 - 408 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065494A (zh) * | 2021-04-13 | 2021-07-02 | 清华大学 | 一种涡旋电子模态识别系统、方法、装置及电子设备 |
CN113297789A (zh) * | 2021-05-17 | 2021-08-24 | 南京大学 | 一种基于机器学习的声涡旋分束器设计方法 |
CN113297789B (zh) * | 2021-05-17 | 2024-03-19 | 南京大学 | 一种基于机器学习的声涡旋分束器设计方法 |
CN113595649A (zh) * | 2021-07-19 | 2021-11-02 | 联合微电子中心有限责任公司 | 光学非线性激活单元、方法和光子神经网络 |
CN114089473A (zh) * | 2021-11-24 | 2022-02-25 | 深圳技术大学 | 一种片上微腔光子集成芯片结构及其制备方法 |
CN114089473B (zh) * | 2021-11-24 | 2023-08-22 | 深圳技术大学 | 一种片上微腔光子集成芯片结构及其制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112465137B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465137B (zh) | 一种基于光子神经网络的涡旋光束模态识别系统及方法 | |
CN110186559B (zh) | 一种涡旋光束轨道角动量模态的检测方法及装置 | |
Li et al. | Class-specific differential detection in diffractive optical neural networks improves inference accuracy | |
CN111985320A (zh) | 一种基于前馈神经网络的多模涡旋光束模态识别系统 | |
CN102473286B (zh) | 超分辨率信号重构的方法和系统 | |
CN103323396B (zh) | 一种基于符合测量的二维压缩鬼成像系统及方法 | |
CN103308189B (zh) | 一种基于双压缩符合测量的纠缠成像系统及方法 | |
CN111753977B (zh) | 光学神经网络卷积层芯片、卷积计算方法和电子设备 | |
Wang et al. | Convolutional neural network-assisted optical orbital angular momentum recognition and communication | |
CN112179506B (zh) | 一种混合阶或分数阶涡旋光束模态识别装置及方法 | |
US20220086372A1 (en) | Multi-Modal Computational Imaging via Metasurfaces | |
Neary et al. | Machine learning-based signal degradation models for attenuated underwater optical communication OAM beams | |
CN111582468B (zh) | 光电混合智能数据生成计算系统及方法 | |
Zhang et al. | Detecting object open angle and direction using machine learning | |
Yuan et al. | Training large-scale optoelectronic neural networks with dual-neuron optical-artificial learning | |
CN112862077B (zh) | 多模光纤结合深度学习网络替代传统光谱仪的系统及方法 | |
Hazineh et al. | D-Flat: A Differentiable Flat-Optics Framework for End-to-End Metasurface Visual Sensor Design | |
Kee et al. | Assisting target recognition through strong turbulence with the help of neural networks | |
Raskatla et al. | Deep learning assisted OAM modes demultiplexing | |
Jia et al. | Compensating the distorted oam beams with near zero time delay | |
Yu et al. | Transfer learning approach for classification of orbital angular momentum modes | |
Wei et al. | High-accuracy recognition of perfect optical vortex orbital angular momentum modes based on F+ GS-MSVM model | |
Chen et al. | Hybrid optical-electronic neural network with pseudoinverse learning for classification inference | |
CN114859624A (zh) | 一种基于双流特征融合网络的纠缠光量子图像目标识别方法 | |
Sadeghzadeh et al. | High-speed multi-layer convolutional neural network based on free-space optics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |