Безлинзовая комплексная амплитудная демодуляция на основе глубокого обучения в голографическом хранилище данных
В новой статье Opto-Electronic Advances исследователи предлагают использовать изображение интенсивности дифракции ближнего поля для одновременного и неитеративного считывания информации об амплитуде и фазе точно без помех, устраняя ключевое техническое узкое место голографической комплексной амплитудной модуляции хранения данных. Суть этой модели заключается в использовании сквозной сверточной нейронной сети для извлечения высокочастотных и низкочастотных характеристик изображения из дифракционных картин ближнего поля, соответствующих модуляции фазового и амплитудного кодирования. На основе обучения нейронной сети создается сеть со способностью к обобщению для точного предсказания новой информации кодирования сложной амплитуды.
Рис. 1. Концептуальная схема комплексного хранения голографических данных с амплитудной модуляцией. Кредит: Compuscript Ltd.
В эпоху больших данных глобальные объемы данных растут в геометрической прогрессии. Развитие многочисленных технологий зависит от массивных данных и также генерирует массивные данные. Интеллектуальный анализ, хранение и защита данных становятся все более важными. Развитие традиционных технологий хранения данных больше не может идти в ногу со скоростью генерации данных, поэтому необходимо разработать новые высокоплотные, долговечные и недорогие методы хранения.
Традиционная технология хранения данных в основном хранит одномерные данные на двумерной поверхности. Чтобы преодолеть ограничения существующих технологий, нам нужно думать об увеличении размера хранилища.
Голографическое хранение данных кажется возможным решением. Он использует интерференцию между шаблонами кодирования информационного света и эталонными шаблонами кодирования света для записи голограмм на носителе. При чтении используется только опорный луч для дифракции информационного светового рисунка от голограммы.
Технология хранения голографических данных имеет характеристики трехмерного объемного хранения и двумерной передачи данных, что обеспечивает более высокую плотность хранения и более высокую скорость передачи данных, что делает ее мощным конкурентом технологии хранения следующего поколения.
На самом деле голографическая технология хранения данных предлагается уже 60 лет, но до сих пор не применялась на практике. Одна из причин заключается в том, что традиционное хранение голографических данных использует только амплитудную модуляцию , что не соответствует теоретическому замыслу голографии, а фактическая достигнутая плотность хранения далека от теоретического значения.
Чтобы в полной мере использовать преимущества хранения голографических данных, для записи и считывания необходимо использовать сложную амплитудную модуляцию. Однако техническим узким местом является считывание фазы, поскольку детекторы не могут напрямую определить фазу.
Рис. 2 Физическая модель дифракции ближнего поля для безлинзового обнаружения. Кредит: Compuscript Ltd.
Проблема с использованием интерференции для считывания фазы заключается в том, что система нестабильна и не способствует практичности, в то время как традиционные методы невмешательства часто требуют итерационных вычислений, что снижает скорость передачи данных. В новой статье Opto-Electronic Advances исследователи предлагают использовать изображение интенсивности дифракции ближнего поля для одновременного и неитеративного считывания информации об амплитуде и фазе точно без помех, устраняя ключевое техническое узкое место голографической комплексной амплитудной модуляции хранения данных.
Суть этой модели заключается в использовании сквозной сверточной нейронной сети для извлечения высокочастотных и низкочастотных характеристик изображения из дифракционных картин ближнего поля, соответствующих модуляции фазового и амплитудного кодирования. На основе обучения нейронной сети создается сеть со способностью к обобщению для точного предсказания новой информации кодирования сложной амплитуды.
По сути, глубокое обучение накапливает достаточно избыточной информации о признаках во временном измерении, чтобы компенсировать проблему потери измерения, вызванную невозможностью обнаружить фазу в пространстве. Существует хорошая точка интеграции между глубоким обучением и хранением голографических данных. В отличие от других приложений обработки изображений, поскольку кодирование хранения голографических данных является управляемым, это предварительное кодирование можно использовать для сознательной модуляции правил кодирования, создания более дифференцированных выборок данных и повышения эффективности глубокого обучения.
Исследовательская группа профессора Сяоди Тан из Фуцзяньского педагогического университета предложила основанную на глубоком обучении систему декодирования дифракции ближнего поля, которая может точно считывать информацию об амплитуде и фазе неинтерферометрическим, неитеративным и быстрым способом, тем самым решая ключевое техническое узкое место комплексной амплитудной модуляции при хранении голографических данных.
Успех объединения глубокого обучения с голографическим хранением данных зависит от трех ключевых моментов. Одним из ключевых моментов является безлинзовое определение интенсивности дифракции в ближней зоне. Безлинзовая система и выбор расстояния ближнего поля должны гарантировать, что световое поле имеет определенные дифракционные эффекты, так что фазовые изменения могут быть переданы в распределение интенсивности посредством дифракции, в то время как амплитудные характеристики все еще сохраняются.
Рис. 3 Изменение среднеквадратической ошибки (MSE) с использованием двух разных наборов данных фазового кодирования с (a) (0, π/2, π, 3π/2) и (b) (π/6, 2π/3, π, 3π/2) при обучении той же нейронной сети. (1) и (3) — это те же самые изображения интенсивности, переданные в CNN, а (2) и (4) — это исходные данные страницы фазовых данных. Страницы в 1-й, 20-й, 40-й и 60-й эпохах представляют собой страницу данных фазы, полученную из изображения интенсивности с использованием обученной CNN. Кредит: Compuscript Ltd.
В моделировании и экспериментах это соответствие существует в определенном диапазоне, а конкретное дифракционное расстояние зависит от таких факторов, как пространственная частота и сложность входного кодирования. Например, если кодирование имеет высокую пространственную частоту, эффект дифракции сильнее, и дифракционное расстояние ближнего поля должно быть короче. Второй ключевой момент — найти различия между амплитудой и фазой. Поскольку и амплитуда, и фаза изучаются из карты интенсивности дифракции в ближней зоне, должны быть различимые точки, чтобы избежать путаницы между ними.
Исследователи обнаружили, что особенностью, определяющей амплитудную обучающую сеть, является распределение интенсивности низкочастотной части, а характеристикой, определяющей фазовую обучающую сеть, является картина разности фаз высокочастотной части. Это позволяет одной и той же карте интенсивности дифракции в ближней зоне восстанавливать амплитуду и фазу отдельно без помех.
Третьим ключевым моментом является неравноинтервальное кодирование. Обычно равномерное кодирование имеет больший интервал кодирования, что может уменьшить помехи при реконструкции кодирования, но в этом методе комбинация разностей фаз, генерируемая равномерным интервальным кодированием, полностью одинакова, и глубокое обучение не может различить соответствующие дифракционные признаки. Следовательно, неравномерное кодирование может значительно улучшить разнообразие выборок, чтобы сеть глубокого обучения могла точно идентифицировать кодирование сложной амплитуды.
Эта работа не только имеет приложения в области хранения голографических данных, но также оказывает влияние на другие области вычислительной обработки изображений, основанные на глубоком обучении. Неясный физический смысл «черного ящика» глубокого обучения ограничивает его применение. В области хранения голографических данных кодирование может быть свободно разработано, обеспечивая цели исследования предварительными знаниями. Следовательно, установив механизм оценки для кодирования и декодирования сложных амплитуд с глубоким обучением, анализируя взаимосвязь между различными условиями кодирования и эффективностью декодирования с глубоким обучением, можно определить, какие правила кодирования больше подходят для декодирования с глубоким обучением, сформулировать стратегии оптимизации. для комплексного кодирования амплитуды в голографическом хранилище данныхи итеративно оптимизировать кодирование и декодирование на основе этой стратегии. Это может придать структурированные физические функции параметрам структуры глубокой нейронной сети и заложить основу для открытия «черного ящика» глубокого обучения.
