[論文レビュー] Deep learning the high variability and randomness inside multimode fibres

Pengfei Fan, Tianrui Zhao+1 more|arXiv (Cornell University)|Jul 18, 2018

Optical Network Technologies参考文献 3被引用数 3

ひとこと要約

本論文は、環境的摂動や幾何的変化によって引き起こされる高変動性・ランダム性に満ちた伝送特性を示すマルチモードファイバー（MMF）を通じて送信されたバイナリ画像を、1つの畳み込みニューラルネットワーク（CNN）が正確に再構成できることを示している。複数のMMF状態で訓練されたディープラーニングモデルは、ファイバーの現在の状態に関する事前知識がなくても、未知のチャネル状態に一般化可能であり、動的環境下でも頑健な画像回復を実現する。

ABSTRACT

Multimode fibres (MMF) are remarkable high-capacity information channels owing to the large number of transmitting fibre modes, and have recently attracted significant renewed interest in applications such as optical communication, imaging, and optical trapping. At the same time, the optical transmitting modes inside MMFs are highly sensitive to external perturbations and environmental changes, resulting in MMF transmission channels being highly variable and random. This largely limits the practical application of MMFs and hinders the full exploitation of their information capacity. Despite great research efforts made to overcome the high variability and randomness inside MMFs, any geometric change to the MMF leads to completely different transmission matrices, which unavoidably fails at the information recovery. Here, we show the successful binary image transmission using deep learning through a single MMF, which is stationary or subject to dynamic shape variations. We found that a single convolutional neural network has excellent generalisation capability with various MMF transmission states. This deep neural network can be trained by multiple MMF transmission states to accurately predict unknown information at the other end of the MMF at any of these states, without knowing which state is present. Our results demonstrate that deep learning is a promising solution to address the variability and randomness challenge of MMF based information channels. This deep-learning approach is the starting point of developing future high-capacity MMF optical systems and devices, and is applicable to optical systems concerning other diffusing media.

研究の動機と目的

• 環境的摂動や幾何的変化によって引き起こされるマルチモードファイバー（MMF）伝送チャネルの高変動性とランダム性の課題に対処すること。
• 現在の伝送行列やチャネル状態の知識がなくても、MMFを通じた信頼性の高い画像伝送を可能にすること。
• 多様なMMF設定や動的形状変化に一般化可能なディープラーニングフレームワークの開発。
• 1つの訓練済みモデルが、未知で変動するMMF状態においても正確に情報を回復できることを実証すること。
• 通信、イメージング、センシング分野における将来的な高容量光システムの基盤を確立すること。

提案手法

• 静的および動的変化を伴う複数のMMF状態に対応する複数の伝送行列を用いて、1つの畳み込みニューラルネットワーク（CNN）を訓練する。
• ネットワークは、入力バイナリ画像からファイバー出力での強度パターンへのマッピングを学習し、未知のチャネル状態に一般化する。
• 訓練データには多様なMMF設定が含まれており、ファイバーの伝送行動の変化にもかかわらず不変な特徴を学習できるようにする。
• 訓練中に含まれなかった未観測のMMF状態を用いてモデルの一般化性能を評価する。
• チャネル変動に強く、再訓練やチャネル状態推定の必要がないようにアーキテクチャを設計する。
• ディープラーニングの表現力を利用して、MMF内での複雑で非線形なモード結合を暗黙的にモデル化する。

実験結果

リサーチクエスチョン

• RQ1 1つのディープニューラルネットワークは、マルチモードファイバーにおける非常に変動的でランダムな複数の伝送状態に一般化可能か？
• RQ2 ファイバーの現在の状態に関する事前知識がなくても、ディープラーニングモデルはどれほどバイナリ画像をMMFを通じて回復できるか？
• RQ3 伝送中にMMFが動的形状変化を示した場合、モデルの性能はいかがなっているか？
• RQ4 訓練データに含まれないMMF状態に対しても、訓練済みモデルは正確に出力を予測できるか？
• RQ5 ディープラーニングは、MMFベースの光情報チャネルに内在するランダム性と変動性を克服する実用的かつ有効な解決策とみなせるか？

主な発見

• 1つの畳み込みニューラルネットワークが、複数の異なる伝送状態においてマルチモードファイバーを通じて送信されたバイナリ画像を正確に再構成した。
• モデルは、再訓練やチャネル状態フィードバックが不要な状態で、未知のMMF設定、特に動的変化を伴う状態に対しても効果的に一般化した。
• ファイバーの摂動や幾何的変化によって伝送行列が完全に変化しても、ネットワークは正確な画像回復を達成した。
• 本アプローチにより、リアルタイムでの伝送行列の測定や推定の必要がなくなり、MMF応用における主要なボトル neck を克服した。
• 結果から、ディープラーニングがマルチモードファイバーのチャネルの複雑で非線形的かつランダムな挙動を効果的にモデル化できることを示した。
• 本手法により、チャネル状態が予測不能で不安定な実用的状況下でも、MMFを通じた信頼性の高い情報伝送が可能になった。