导 读
作为一类典型的结构光场，轨道角动量（Orbital angular momentum，OAM）光束具有螺旋相位及甜甜圈形状的光强分布。由于其理论上具有正交无穷物理状态，OAM可以用作信息载体，提升光通讯、全息、光存储、显示、图像处理、量子信息等领域的信息容量及安全性。在此过程中，虽然已经发展了多种全光OAM解码方法，然而，目前逐像素的OAM编码技术对信息处理过程造成了巨大的延迟。
近日，上海理工大学顾敏院士、方心远研究员课题组构建衍射型的光学神经网络，将输入信息展开为OAM谱，利用光学衍射过程实现OAM谱卷积及模式选择，基于机器学习算法学习输入信息OAM特征并实现高精度编码。结合OAM解码器，该方案被应用于全光编码OAM光通讯、端到端可切换图像显示、全光降维异常检测等任务，为全光OAM智能信息处理提供了研究思路。
该成果以“Orbital angular momentum-mediated machine learning for high-accuracy mode-feature encoding”为题发表在Light: Science & Applications。上海理工大学光子芯片研究院方心远研究员，博士生胡晓楠，李保莉博士为共同第一作者，方心远研究员和顾敏院士为论文通讯作者。
技术攻关
空间频率域中，图像可以被展开成一系列空间频谱，不同图像的空间频谱分布各具特点。同理，图像的OAM谱同样具有特征分布。然而，如图1a所示，大多数图像在OAM域中展开的OAM谱分布呈现低阶OAM分量较多，特别是0阶分量占据主要成分，OAM模式特征不明显，对提升编码精度带来了巨大挑战。如图1b所示，该工作创新地设计了由OAM模式色散脉冲与分类器两部分构成的衍射型卷积神经网络，用于学习图像的OAM模式特征。第一部分为用于OAM特征提取和放大的卷积层，第二部分为用于OAM特征压缩的衍射层。
图1：（a）图像OAM谱展开。（b）衍射型卷积神经网络机器学习用于OAM编码。
物理上，携带图像信息的输入光场与OAM模式色散脉冲进行叠加，光场相乘在OAM域中等效于一个一维卷积运算，卷积运算将图像的OAM谱进行展宽，图像的OAM模式特征差异也被放大，为拓展后续的模式特征编码范围奠定基础。经过展宽后的OAM模式谱经过级联的有限孔径衍射层，衍射层利用不同OAM模式间的衍射损耗差异对OAM谱进行选择性调控，从而实现模式特征的压缩，进而将图片的OAM的差异化模式特征编码为少数几个或一个OAM模式。整个编码过程类似于啁啾脉冲放大过程，第一部分实现脉冲展宽和（模式差异性）放大，而后一部分实现OAM宽谱的再压缩。特别的是，该工作采用的方法中，卷积层的模式色散脉冲和衍射层的相位分布都是可学习和训练的。以最终编码的目标OAM模式为目标进行多任务学习，直接优化出所需模式色散脉冲和衍射层，以实现高精度的OAM模式编码。如图2所示，本工作利用十个不同OAM模式对MNIST数据集进行编码，准确率达到了96%。
图2：(a)十张MNIST图像编码结果。(b) 编码混淆矩阵。
典型应用
编码后的OAM模式信息，可以结合解复用/探测器件，实现多种OAM信息处理任务，同时发挥OAM模式与光学衍射计算的优势。
典型应用1：防窃听的无线图像传输
如前文提及那样，在基于电子计算的OAM编码的自由空间无线光通信中，传输图像会存在低并行性的问题。该工作通过光学神经网络学习、编码图像的OAM模式特征。如图3所示，实验中，将Fashion-Minst数据集中的三类图像T恤，裤子和短靴分别编码到LG1,0, LG3,0 和 LG5,0三种最强权重OAM模式上，编码精度达到了93.3%。这种编码方式具有极高防窃听能力，因为窃听者固有的横向偏移（相对于通信接收者）会直接导致不能准确测量OAM模式，且极微小的偏移就会带来极大的测量误差（窃听失败）。
图3：（a）图像OAM编码结果。（b）OAM模式分解结果。（c）编码混淆矩阵。（d）偏移值对模式探测影响。
典型应用2：端到端可切换图像显示
进一步，本工作引入了OAM复用全息图作为解码器（使用携带特定OAM的光束照明全息图可以解码显示特定图像），即可实现全光信息编码、传输及显示。如图4所示，实验上将手写数字图像1和2分别编码到LG4,0和LG4,0上，实现了端到端的可切换图像显示。
图4：端到端可切换图像显示示意图。
典型应用3：全光学图像降维与异常检测
提取图片的OAM模式特征，将其转化为少数几个特定的OAM模式分布，就构成了OAM域中的图像降维。如同空间域中的图像压缩一样，减少描述图片的变量（维度）的同时，保留图像的特征是信息图像降维的目标。该工作中，通过全光机器学习的方式，将大巴车和SUV汽车两类图像分别编码到六个OAM模式的两种叠加态组合上，相对于原始图像的维度(256*256), 降维的压缩比达到了~104。如图5所示，实验中，叉形光栅构成的解码器可以直接进行模式分解，得到由6个光强值组成的矩阵，经过主成分分析及光谱聚类算法，即能分辨出异常类图片，可以看到，本工作的准确率达到了85%。
图5：（a）不同输入图像编码的OAM叠加态信息。（b）主成分分析及光谱聚类结果。（c）异常检测混淆矩阵。
总结与展望
该论文提出了一种通过全光机器学习将数据特征转化为OAM状态的通用机制，可以实现任意信息在OAM维度上的自由转换。光学机器学习通过学习智能OAM编码这一“新课程”，打开了以光速对特定数据库和图像进行OAM编码的新大门，同时也打破了OAM域中光学降维的瓶颈。该技术有望开拓光学机器学习在高容量、高安全经典及量子光学中的应用方向。（来源：LightScienceApplications微信公众号）
相关论文信息：https://doi.org/10.1038/s41377-024-01386-5
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
