【产通社，9月10日讯】全球数据量指数级增长，如今的单模光纤（SMF）网络正逐渐接近其性能极限，多模光纤（MMF）中的空分复用技术是下一代带宽突破的主要候选方案。尽管传统的数字信号处理（DSP）算法理论上能够实现模式解复用，但其计算复杂度会随着模式数量的增加而迅速增加，在大容量多模光纤（MMF）网络中不切实际。为了在多模光纤系统中实现空分复用，高效且准确的模式分解至关重要。

德累斯顿工业大学（Technische Universit?t Dresden）Jürgen Czarske教授团队针对信号恢复难题设计出了一种解决方案。该方案采用现场可编程门阵列（FPGA）加速的深度学习模式分解引擎，在合成数据集上训练了FPGA引擎。特别是其定制的卷积神经网络，通过模拟计算了不同空间模式的贡献。

此次训练的目标是直接从单张强度图像中推断出每种模式的振幅和相对相位，从而无需进行相干检测。研究人员为三种模式使用了50,000个数据点，并表示对于五六种模式，他们需要使用60,000至80,000个数据点。

他们发现，将网络量化并将其映射到低功耗FPGA上，可以大幅降低推理延迟和能耗。与基于GPU的解决方案相比，该团队仅使用2.4瓦的功耗就实现了超过100帧每秒的性能，而基于GPU的解决方案则需要数十瓦的功耗。

“FPGA通常用于自动化技术，但在这里，你还可以真正评估光纤中光传播过程中的模式转换，其优势至少有两方面——能耗更低，延迟更短。”为了进一步验证他们的引擎，研究人员利用空间光调制器（SLM）、精密六轴光纤耦合平台、多模光纤（MMF）和高灵敏度红外相机搭建了一个测试平台。实时FPGA推理可靠地提取了多达六个空间模式的复杂场，重建保真度>97%，为闭环自适应光学、超密集空分复用链路和低延迟光纤传感器询问器铺平了道路。

重要的是，该工作通过固定一个模式的相位并限制其他模式的相对相位，消除了相位模糊。相位模糊有两种：全局相位模糊，即绝对相位可以均匀移动，但仍表示相同的散斑图案；以及复共轭模糊，即具有相反相位符号的相位可以产生相同的强度分布。为了解决这些模糊问题，研究团队将第一模式的相位固定为零，从而消除了全局相位模糊。然后，对于第二模式，团队成员将相位值限制在特定范围内，这有助于从仅相位符号不同的两个可能等效解中选择一个解。

简而言之，通过消除通常困扰仅强度训练数据的全局相位模糊问题，研究人员的系统和方法即使在整体相位漂移的情况下，也能确保输出独特且具有物理意义。研究人员表示，由于延迟低，基于FPGA的方法非常适合闭环过程。该技术可用于通信，特别是自由空间通信、处理和节能通信。由于FPGA与传统处理器相比具有更高的吞吐量，这项工作为新的安全技术打开了大门。

研究人员正寻求将创新应用于互联网系统和生物医学应用，如内窥镜检查。目前，他们正在研究人工智能（AI）助力光子学的发展，而本质上，是利用光子学来优化人工智能，希望看到更多的技术转移至实际应用中。查询进一步信息，请访问官方网站https://www.photonics.com/Articles/Photonics_Meets_AI_to_Yield_Sophisticated/p5/a71406
，以及www.doi.org/10.37188/lam.2025.031。（张怡，产通发布）