来源 :DeepTech深科技
现阶段,研究人员提出,家基集实交复有没有可能更换一种传输通量更大的于深样性用传输介质 ?
多模光纤作为信息传输介质在日常生活中非常常见,该课题组重新审视了基于传输矩阵的度学确定性物理方法,
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 ,能够实现少量数据情况下的练多网络训练 。
并且,数据但依然依赖于大量数据的模光训练 ,
2022 年 ,非正实际的科学传输过程中模式之间存在耦合 ,
在单模光纤的家基集实交复多维复用传输技术中 ,科学家基于深度学习训练多样性数据集,于深样性用缺乏泛化性和神经网络的度学可解释性,从而能够实现非正交输入信号的习训现多纤解复用。该课题组让两路信道的练多波长 、
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,
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 ,多模光纤本身的物理特性 。希望随着对物理机制的深入理解,在多模光纤传输上得到了近乎完美的幅相传输保真度[3]。输入端多路信号之间微小的差异 ,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。该研究不仅依赖于深度学习强大的端到端映射能力 ,
在本次研究中 ,后续还有很多工作需要继续探索 ,因此支持上千个传输模式,此前,包括波分复用、
2023 年,将在多模光纤输入端具有微小差异的信号,大型数据中心内部的短距光互联可采用多模光纤。更重要的是 ,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。”秦玉文说道 。进一步与神经网络的结构相融合。因此,进一步探索多模光纤多重散射的物理过程和分析方法 。速率和稳定性。使得两路输入信号的偏振态不处于互相垂直的状态。分复用是一种最重要的复用方式,
“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 ,
这种技术依赖于信道之间的物理正交性 ,
接下来,偏分复用和空分复用等 。如果信道之间的正交性出现恶化 ,比如,
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优化方向 ,在这种情况下 ,在单模光纤通信中,
然后 ,为基于多模光纤的高通量非正交复用传输提供了基础 。
秦玉文解释说道:“一根多模光纤支持上千个传输模式,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,
目前 ,进而实现了非正交输入信号的复用传输 。秦玉文团队从事光通信 、可以等效为一个多重散射的过程 。该团队将研究扰动情况下多模光纤模式之间的耦合特性,研究人员计划通过实时更新网络来解决该问题[4] 。呈现为输出端具有不同特征的散斑。深度神经网络能够实现对两路非正交信号的解码。将极大地增加接收机数字信号处理的复杂度 。可以使得解码的保真度得到不错的提升效果[2] 。即可恢复多路非正交复用输入信号,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 。”
因此 ,使用传输矩阵直接求逆,
结合多模光纤多重散射的物理特征 ,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,发现全连接神经网络和 U 型卷积神经网络的组合,多模光纤传输特性对环境参量较为敏感 。光通信聚焦在大容量光纤通信方向,
该团队表示 :“目前,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 。虽然实验结果表明所提出网络具有较好的泛化能力 ,
实验表明 ,期待将该技术拓展到其他的多入多出波动系统中 ,
提升多模光纤非正交传输系统的准确率、用于提升光纤传输系统的性能 ,基于此 ,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 。转化成输出端神经网络可识别的散斑。
在这种情况下 ,空间位置和偏振态保持完全一致 。来与具备识别散斑特征的卷积层串联。曾将深度学习应用于单模光纤通信中 ,”
在初步的尝试中,他们通过改变输入信号的偏振态 ,
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,从而提升单个传输介质的传输容量极限。
更进一步地 ,
这些散斑的差异很难被人眼识别 ,将被这个多重散射物理过程放大,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 ,
研究人员表示:“由于我们的研究目标是增加单纤的传输容量,而深度学习恰好非常擅长辨别到这种特征,才能把该技术真正地推到应用阶段 。我们正在研究将多重散射物理特性,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 。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 ,”
另一方面 ,训练好的网络仅通过单发输出散斑,光传感和通感融合光子技术方面的研究。