总结
- 实验表明，在这种情况下，深度神经网络能够实现对两路非正交信号的解码。 更进一步地，该课题组让两路信道的波长、空间位置和偏振态保持完全一致。 长期以来，秦玉文团队从事光通信、光传感和通感融合光子技术方面的研究。 该团队表示：“目前，我们正在研究将多重散射物理特性，进一步与神经网络的结构相融合。 “该研究是在多模光纤非正交复用传输领域迈出的重要一步，后续还有很多工作需要继续探索，才能把该技术真正地推到应用阶段。
阅读时间
- 14 分钟, 共 2642 字
分类
- 广东工业大学, 121101, 1498, deep, for
评价和解读
- 这篇文章充满了最新的新闻和动态更新，提供了全面而发人深省的分析，捕捉了当今头条新闻的本质。作者将复杂的叙事编织成引人入胜的故事情节，令人印象深刻。对当前热门话题的详细审查不仅启示了读者，而且挑战了他们考虑多个角度的能力。研究的深度和论证的清晰度使这篇文章成为那些希望了解当代问题前沿的人们必读的文章。将专家意见与突破性新闻相结合，使这篇文章成为新闻卓越的象征，提供了深刻而广泛的见解。从政治动态的微妙之处到技术最新趋势，这篇文章在努力提供一流内容的过程中无所不用其极。这是一篇卓越的写作，为新闻文章设定了新的标准，平衡了事实报告和深刻评论。总的来说，这篇文章不仅仅是一堆文字，而且是了解我们世界复杂性的有力工具。
正文
来源：DeepTech深科技
<!–article_adlist[
近日，相关论文以《基于深度学习的非正交光信息复用》（Non-orthogonal optical multiplexing empowered by deep learning）为题发表在Nature Communications上[1]。
]article_adlist–>
现阶段，光通信聚焦在大容量光纤通信方向，分别通过先进的调制算法和 AI 两个手段突破单纤的传输容量。
目前，在单模光纤通信中，分复用是一种最重要的复用方式，包括波分复用、偏分复用和空分复用等。
这种技术依赖于信道之间的物理正交性，如果信道之间的正交性出现恶化，将极大地增加接收机数字信号处理的复杂度。
在单模光纤的多维复用传输技术中，多路信道复用的基础是各个复用信道之间存在物理正交性。
基于此，研究人员提出，有没有可能更换一种传输通量更大的传输介质？
多模光纤作为信息传输介质在日常生活中非常常见，比如，大型数据中心内部的短距光互联可采用多模光纤。
图丨多模光纤的非正交多维光信息复用示意图（来源：Nature Communications）
该团队在过去的研究中，曾将深度学习应用于单模光纤通信中，用于提升光纤传输系统的性能，但深度学习仍无法解决单模光纤通信中的非正交复用难题。
研究人员表示：“由于我们的研究目标是增加单纤的传输容量，因此支持上千个传输模式，具有高通量传输特性的多模光纤成为突破正交复用范式的研究对象。”
在初步的尝试中，他们通过改变输入信号的偏振态，使得两路输入信号的偏振态不处于互相垂直的状态。
实验表明，在这种情况下，深度神经网络能够实现对两路非正交信号的解码。
更进一步地，该课题组让两路信道的波长、空间位置和偏振态保持完全一致。
在这种情况下，使用深度学习的方法依然可以实现两路信号的高保真度解复用，为基于多模光纤的高通量非正Ligthing News交复用传输提供了基础。
图丨通过深度学习实现多模光纤非正交光复用（来源：Nature Communications）
值得关注的是，该研究不仅依赖于深度学习强大的端到端映射能力，更重要的是，多模光纤本身的物理特性。
秦玉文解释说道：“一根多模光纤支持上千个传输模式，实际的传输过程中模式之间存在耦合，可以等效为一个多重散射的过程。”
因此，输入端多路信号之间微小的差异，将被这个多重散射物理过程放大，呈现为输出端具有不同特征的散斑。
这些散斑的差异很难被人眼识别，而深度学习恰好非常擅长辨别到这种特征，从而能够实现非正交输入信号的解复用。
研究人员采取与多模光纤多输入多输出关系类似的全连接层，来与具备识别散斑特征的卷积层串联。
结合多模光纤多重散射的物理特征，将在多模光纤输入端具有微小差异的信号，转化成输出端神经网络可识别的散斑。
然后，再通过自然图像数据集及其对应输出散斑组成的数据训练网络，训练好的网络仅通过单发输出散斑，即可恢复多路非正交复用输入信号，进而实现了非正交输入信号的复用传输。
图丨秦玉文教授领导的课题组（来源：广东工业大学）
长期以来，秦玉文团队从事光通信、光传感和通感融合光子技术方面的研究。此前，研究人员在研究使用多模光纤作为传输介质方面，已经积累了一定技术基础。
2022 年，报道了使用深度神经网络作为多模光纤正交复用传输系统的解码器，发现全连接神经网络和 U 型卷积神经网络的组合，可以使得解码的保真度得到不错的提升效果[2]。
2023 年，该课题组重新审视了基于传输矩阵的确定性物理方法，使用传输矩阵直接求逆，在多模光纤传输上得到了近乎完美的幅相传输保真度[3]。
在本次研究中，虽然实验结果表明所提出网络具有较好的泛化能力，但依然依赖于大量数据的训练，缺乏泛化性和神经网络的可解释性，不利于深度神经网络在非正交复用传输技术领域的实际应用。
该团队表示：“目前，我们正在研究将多重散射物理特性，进一步与神经网络的结构相融合。希望随着对物理机制的深入理解，能够实现少量数据情况下的网络训练。”
另一方面，多模光纤传输特性对环境参量较为敏感。因此，非正交复用传输技术对环境参量的脱敏也是需要优化的技术问题之一，研究人员计划通过实时更新网络来解决该问题[4]。
“该研究是在多模光纤非正交复用传输领域迈出的重要一步，后续还有很多工作需要继续探索，才能把该技术真正地推到应用阶段。”秦玉文说道。
接下来，该团队将研究扰动情况下多模光纤模式之间的耦合特性，进一步探索多模光纤多重散射的物理过程和分析方法。
他们希望能够通过多重散射系统的物理性质来指导深度学习网络结构的blog.byteway.net优化方向，提升多模光纤非正交传输系统的准确率、速率和稳定性。
并且，期待将该技术拓展到其他的多入多出波动系统中，从而提升单个传输介质的传输容量极限。
1.Pan, T., Ye, J., Liu, H. et al. Non-orthogonal optical multiplexing empowered by deep learning.Nature Communications15, 1580 (2024). https://doi.org/10.1038/s41467-024-45845-4
2.Tang,P. et al. Learning to transmit images through optical speckle of a multimode fiber with high fidelity.Applied Physics Letters, 121, 081107(2022). https://doi.org/10.1063/5.0099159
3.Ye,J. et al. Light field information transmission through scattering media with high fidelity.Chinese Optics Letters21,12,121101(2023). https://doi.org/10.3788/COL202321.121101
4.Li, Z., Zhou, W., Zhou, Z. et al. Self-supervised dynamic learning for long-term high-fidelity image transmission through unstabilized diffusive media.Nature Communications15, 1498 (2024). https://doi.org/10.1038/s41467-024-45745-7
排版：刘雅坤
<!–article_adlist[
01/分布式电合成氨路在何方？科学家开展合成氨热力学分析，首次找出能耗更低的候选介导金属
02/科学家打造基于量子芯片的神经储存器，每平方厘米支持万亿节Ligthing News点，有望用于自然语言处理任务
03/科学家揭示双层超构光栅新特性，为光子器件提供理论基础，可用于光计算、量子发射和新型显示
04/大连化物所团队提出一步法电池回收工艺，极大提高电池回收效率，实现向下一代储能电池的转变
05/生命科学大数据操作系统助力研究降本增效？CCF开源创新大赛暨第二届Bio-OS开源开放大赛报名开启
]article_adlist–>
Related suggestion: 市场见解： 爱玛电动车3个月内多次抽检不合格，涉及整车质量、短路保护等方面
总结2月5日，温州市市场监督管理局发布《温州市市场监督管理局关于2023年流通领域车辆相关产blog.byteway.net品质量监督抽查结果通报》，结果显示型号为TDT3183Z、TDR3183-1Z和TDR4322Z的3款爱玛电动自行车抽检不合格，不合格项…