基于深度学习的多奇点结构光的识别

科学领域:

• 光学和光子学 在光学和光子学.
• 量子信息科学 量子信息科学
• 人工智能的人工智能

背景情况:

• 具有量身定制的拓模式的结构光对于经典和量子研究至关重要.
• 目前的检测方法与复杂的多奇点相结构作斗争,限制了分析.
• 准确识别具有多个奇点的一般结构光仍然是一个重大挑战.

研究的目的:

• 开发一种新的深度学习 (DL) 框架,用于端到端揭示多奇点阶段结构.
• 为了使强度模式的直接相位输出能够对扭曲的光子进行详细分析.
• 提出一个新的基于阶段的光学秘密共享 (OSS) 协议,利用多奇点模式.

主要方法:

• 通过仅使用两个结构光强度模式来训练一个深度学习框架.
• 该DL模型直接输出相位信息,绕过传统方法的局限性.
• 该框架对拉格尔-高斯 (Laguerre-Gaussian,LG) 模式和一般相位对象进行了验证.

主要成果:

• DL框架成功地以端到端的方式识别了复杂的多奇点阶段结构.
• 该系统准确地获取各种结构光模式的相位信息,包括LG模式.
• 一个新的OSS协议使用多奇点模式进行了演示,提供了增强的安全性和状态空间.

结论:

• 开发的DL平台为分析复杂结构光提供了一个准确和多功能工具.
• 这项技术有助于创建先进的光学秘密共享协议.
• 这些发现为高容量通信,激光分析和显微镜的应用开辟了新的可能性.