[논문 리뷰] Deep learning the high variability and randomness inside multimode fibres

Pengfei Fan, Tianrui Zhao외 1명|arXiv (Cornell University)|2018. 07. 18.

Optical Network Technologies참고 문헌 3인용 수 3

한 줄 요약

이 논문은 환경적 요동과 기하학적 변화로 인해 매우 변동성이 크고 무작위적인 전송 특성을 띠는 다모드 섬유(MMF)를 통해 전송된 이진 이미지를 단일 컨volutional 신경망(CNN)이 정확하게 재구성할 수 있음을 입증한다. 다양한 MMF 상태에서 훈련함으로써 딥러닝 모델은 섬유의 현재 상태에 대한 사전 지식 없이도 알려지지 않은 채널 조건에 일반화되며, 변화하는 환경에서도 견고한 이미지 복원이 가능하다.

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.

연구 동기 및 목표

• 환경적 요동과 기하학적 변화로 인해 발생하는 다모드 섬유(MMF) 전송 채널의 높은 변동성과 무작위성 문제를 해결하기 위해.
• 현재 전송 행렬 또는 채널 상태를 알지 못해도 MMF를 통해 신뢰할 수 있는 이미지 전송을 가능하게 하기 위해.
• 다양한 MMF 구성과 동적인 형태 변화에 일반화할 수 있는 딥러닝 프레임워크를 개발하기 위해.
• 훈련된 단일 모델이 알려지지 않은 변동성이 큰 MMF 상태에서 정확하게 정보를 복원할 수 있음을 입증하기 위해.
• 통신, 영상 촬영, 센싱 분야에서 향후 고용량 광시스템을 위한 기반을 마련하기 위해.

제안 방법

• 다양한 MMF 상태(정적 및 동적 변화가 있는 구성 포함)에 해당하는 여러 전송 행렬에 대해 단일 컨volutional 신경망(CNN)을 훈련시었다.
• 네트워크는 입력 이진 이미지에서 섬유 출력 측면의 강도 패턴으로의 매핑을 학습하며, 알려지지 않은 채널 상태로도 일반화한다.
• 훈련 데이터에는 다양한 MMF 구성이 포함되어 있어, 섬유의 전송 행동 변화에도 불구하고 불변 특징을 학습하도록 모델을 유도한다.
• 훈련 중에 포함되지 않은 새로운 MMF 상태를 대상으로 모델을 테스트하여 일반화 성능을 평가한다.
• 채널 변화에 강건하도록 아키텍처를 설계하여 재훈련이나 채널 상태 추정이 필요 없도록 한다.
• 딥러닝의 표현 능력을 활용하여 MMF 내 복잡한 비선형 모드 결합을 암묵적으로 모델링한다.

실험 결과

연구 질문

• RQ1 단일 딥 네트워크가 다모드 섬유에서 매우 변동성 있고 무작위적인 전송 상태 여러 개에 대해 일반화할 수 있는가?
• RQ2 섬유의 현재 상태에 대한 사전 지식 없이 딥러닝 모델이 MMF를 통해 이진 이미지를 어느 정도 정확하게 복원할 수 있는가?
• RQ3 MMF가 전송 중에 동적인 형태 변화를 겪을 경우 모델의 성능은 어떻게 되는가?
• RQ4 훈련 데이터에 포함되지 않은 MMF 상태에 대해 훈련된 모델이 정확하게 출력을 예측할 수 있는가?
• RQ5 딥러닝은 MMF 기반 광정보 채널의 본질적인 무작위성과 변동성 문제를 해결하는 데 실현 가능할까?

주요 결과

• 단일 컨볼루션 신경망은 다수의 서로 다른 전송 상태에서 다모드 섬유를 통해 전송된 이진 이미지를 성공적으로 재구성한다.
• 훈련 중에 포함되지 않은 MMF 구성, 특히 동적으로 변화하는 상태에 대해서도 효과적으로 일반화되며, 재훈련이나 채널 상태 피드백이 필요하지 않다.
• 섬유의 외부 자극 또는 기하학적 변화로 인해 전송 행렬이 완전히 변화하더라도 네트워크는 정확한 이미지 복원을 달성한다.
• 실시간으로 전송 행렬을 측정하거나 추정할 필요 없이, MMF 응용 분야에서 주요 장애 요소를 극복한다.
• 결과적으로 딥러닝이 다모드 섬유 채널의 복잡하고 비선형적이며 무작위적인 행동을 효과적으로 모델링할 수 있음을 입증한다.
• 이 방법은 채널 조건이 예측 불가능하고 불안정한 실용적 상황에서도 MMF를 통한 신뢰할 수 있는 정보 전송을 가능하게 한다.