Linsenlose komplexe Amplitudendemodulation basierend auf Deep Learning in der holografischen Datenspeicherung

Im Zeitalter von Big Data wächst das weltweite Datenvolumen exponentiell. Die Entwicklung zahlreicher Technologien hängt von massiven Datenmengen ab und generiert auch massive Datenmengen. Data Mining, Speicherung und Schutz werden immer wichtiger. Die Entwicklung traditioneller Datenspeichertechnologien kann mit der Geschwindigkeit der Datengenerierung nicht mehr Schritt halten, und es müssen neue hochdichte, langlebige und kostengünstige Speichermethoden entwickelt werden.

Herkömmliche Datenspeichertechnologie speichert grundsätzlich eindimensionale Daten auf einer zweidimensionalen Oberfläche. Um die Beschränkungen bestehender Technologien zu durchbrechen, müssen wir von einer zunehmenden Speicherdimension aus denken.

Die holografische Datenspeicherung scheint eine praktikable Lösung zu sein. Es verwendet Interferenz zwischen Informationslicht-Codierungsmustern und Referenzlicht-Codierungsmustern, um Hologramme in dem Medium aufzuzeichnen. Beim Lesen wird nur der Referenzstrahl verwendet, um das Informationslichtmuster vom Hologramm zu beugen.

Die holografische Datenspeichertechnologie hat die Eigenschaften der dreidimensionalen Volumenspeicherung und der zweidimensionalen Datenübertragung, was eine höhere Speicherdichte und eine schnellere Datenübertragungsgeschwindigkeit ermöglicht und sie zu einem starken Konkurrenten für die nächste Generation der Speichertechnologie macht.

Tatsächlich wird die holografische Datenspeichertechnologie seit 60 Jahren vorgeschlagen, aber sie wurde noch nicht praktisch angewendet. Einer der Gründe ist, dass die herkömmliche holografische Datenspeicherung nur Amplitudenmodulation verwendet, was nicht der theoretischen Intention der Holografie entspricht, und die tatsächlich erreichte Speicherdichte weit von dem theoretischen Wert entfernt ist.

Um die Vorteile der holografischen Datenspeicherung voll auszuschöpfen, muss zum Aufzeichnen und Auslesen eine komplexe Amplitudenmodulation verwendet werden. Der technische Engpass liegt jedoch in der Phasenauslesung, da die Phase nicht direkt von Detektoren erfasst werden kann.

Das Problem bei der Verwendung von Interferenz zum Lesen der Phase besteht darin, dass das System instabil und der Praktikabilität nicht förderlich ist, während herkömmliche Nicht-Interferenz-Methoden häufig iterative Berechnungen erfordern, die die Datenübertragungsgeschwindigkeit verringern. In einem neuen Artikel in Optoelektronische Fortschritteschlagen Forscher vor, das Intensitätsbild der Nahfeldbeugung zu verwenden, um Amplituden- und Phaseninformationen gleichzeitig und nicht iterativ genau und ohne Interferenz zu lesen, wodurch der technische Schlüsselengpass der komplexen Amplitudenmodulation der holografischen Datenspeicherung gelöst wird.

Der Kern dieses Modells liegt in der Verwendung eines durchgehenden neuronalen Faltungsnetzwerks, um hochfrequente und niederfrequente Bildmerkmale aus Nahfeldbeugungsmustern zu extrahieren, die der Modulation der Phasen- und Amplitudencodierung entsprechen. Basierend auf dem Training des neuronalen Netzwerks wird ein Netzwerk mit Verallgemeinerungsfähigkeit eingerichtet, um neue komplexe Amplitudencodierungsinformationen genau vorherzusagen.

Im Wesentlichen akkumuliert Deep Learning genügend redundante Merkmalsinformationen in der Zeitdimension, um das Problem des Dimensionsverlusts zu kompensieren, das durch die Unfähigkeit verursacht wird, Phase im Raum zu erkennen. Es gibt einen guten Integrationspunkt zwischen Deep Learning und holografischer Datenspeicherung. Da die Codierung der holografischen Datenspeicherung steuerbar ist, kann diese vorherige Codierung im Gegensatz zu anderen Bildgebungsanwendungen verwendet werden, um die Codierungsregeln bewusst zu modulieren, differenziertere Datenproben zu erzeugen und Deep Learning effizienter zu machen.

Die Forschungsgruppe von Prof. Xiaodi Tan von der Fujian Normal University schlug ein Deep-Learning-basiertes Nahfeld-Beugungsdekodierungssystem vor, das sowohl Amplituden- als auch Phaseninformationen auf nicht-interferometrische, nicht-iterative und schnelle Weise genau lesen kann, und so das Problem löst technischer Schlüsselengpass bei der komplexen Amplitudenmodulation in der holografischen Datenspeicherung.

Der Erfolg der Kombination von Deep Learning mit holografischer Datenspeicherung hängt von drei Schlüsselpunkten ab. Einer der Schlüsselpunkte ist die linsenlose Nahfeld-Beugungsintensitätsdetektion. Sowohl das linsenlose System als auch die Wahl des Nahfeldabstandes sollen dafür sorgen, dass das Lichtfeld gewisse Beugungseffekte aufweist, so dass die Phasenänderungen durch Beugung auf die Intensitätsverteilung übertragen werden können, während die Amplitudenmerkmale erhalten bleiben.

In Simulationen und Experimenten besteht diese Übereinstimmung innerhalb eines bestimmten Bereichs, und der spezifische Beugungsabstand hängt von Faktoren wie der Ortsfrequenz und der Komplexität der Eingabecodierung ab. Wenn beispielsweise die Codierung eine hohe räumliche Frequenz hat, ist der Beugungseffekt stärker und die Nahfeldbeugungsdistanz sollte kürzer sein. Der zweite Schlüsselpunkt besteht darin, die Merkmalsunterschiede zwischen Amplitude und Phase zu finden. Da sowohl Amplitude als auch Phase aus der Nahfeld-Beugungsintensitätskarte gelernt werden, müssen unterscheidbare Punkte vorhanden sein, um eine Verwechslung zwischen ihnen zu vermeiden.

Die Forscher fanden heraus, dass das Merkmal, das das Amplitudenlernnetzwerk bestimmt, die Intensitätsverteilung des niederfrequenten Teils ist, während das Merkmal, das das Phasenlernnetzwerk bestimmt, das Phasendifferenzmuster des hochfrequenten Teils ist. Dies ermöglicht, dass die gleiche Nahfeld-Beugungsintensitätskarte Amplitude und Phase separat ohne Interferenz rekonstruiert.

Der dritte Schlüsselpunkt ist die Codierung mit ungleichen Intervallen. Üblicherweise hat die einheitliche Codierung ein größeres Codierungsintervall, was die Interferenz der Codierungsrekonstruktion reduzieren kann, aber bei diesem Verfahren ist die durch die Codierung mit gleichmäßigem Intervall erzeugte Phasendifferenzkombination vollständig gleich, und Deep Learning kann die entsprechenden Beugungsmerkmale nicht unterscheiden. Daher kann eine ungleichmäßige Codierung die Diversität von Abtastwerten erheblich verbessern, sodass das Deep-Learning-Netzwerk eine komplexe Amplitudencodierung genau identifizieren kann.

Diese Arbeit hat nicht nur Anwendungen im Bereich der holografischen Datenspeicherung, sondern hat auch Auswirkungen auf andere Bereiche der computergestützten Bildgebung auf der Grundlage von Deep Learning. Die unklare physikalische Bedeutung der „Black Box“ des Deep Learning schränkt seine Anwendung ein. Im Bereich der holografischen Datenspeicherung kann die Kodierung frei gestaltet werden, wodurch Forschungsziele mit Vorwissen versorgt werden. Daher ist es durch die Einrichtung eines Bewertungsmechanismus für die komplexe Amplitudencodierung und -decodierung von Deep Learning, die Analyse der Beziehung zwischen verschiedenen Codierungsbedingungen und die Effizienz der Deep-Learning-Decodierung möglich, zu bestimmen, welche Codierungsregeln für die Deep-Learning-Decodierung besser geeignet sind, und Optimierungsstrategien zu formulieren für komplexe Amplitudencodierung in holographischer Datenspeicherung und iteratives Optimieren zwischen Codierung und Decodierung basierend auf dieser Strategie. Dies kann den Parametern der tiefen neuronalen Netzstruktur strukturierte physikalische Funktionen verleihen und eine Grundlage für die Öffnung der „Black Box“ des Deep Learnings legen.