[논문 리뷰] Learning and avoiding disorder in multimode fibers

Maxime W. Matthès, Yaron Bromberg외 2명|arXiv (Cornell University)|2020. 10. 28.

Random lasers and scattering media참고 문헌 40인용 수 21

한 줄 요약

이 논문은 다중모드 섬유(MMFs)에서 강한 기계적 왜곡에 저항하는 변형 주요 모드를 식별하고 이용하는 딥러닝 기반 방법을 제안한다. 일반화된 Wigner-Smith 연산자와 PyTorch 기반 모델 기반 최적화를 활용하여, 왜곡이 있는 조건에서도 빠르고 정확한 전송행렬 추정을 달성하며, 왜곡에 의한 모드 결합에 영향을 받지 않는 거의 모든 광채널을 식별한다.

ABSTRACT

Multimode optical fibers (MMFs) have gained renewed interest in the past decade, emerging as a way to boost optical communication data-rates in the context of an expected saturation of current single-mode fiber-based networks. They are also attractive for endoscopic applications, offering the possibility to achieve a similar information content as multicore fibers, but with a much smaller footprint, thus reducing the invasiveness of endoscopic procedures. However, these advances are hindered by the unavoidable presence of disorder that affects the propagation of light in MMFs and limits their practical applications. We introduce here a general framework to study and avoid the effect of disorder. We experimentally find an almost complete set of optical channels that are resilient to disorder induced by strong deformations. These deformation principle modes are obtained by only exploiting measurements for weak perturbations. We explain this effect by demonstrating that, even for a high level of disorder, the propagation of light in MMFs can be characterized by just a few key properties. These results are made possible thanks to a precise and fast estimation of the modal transmission matrix of the fiber which relies on a model-based optimization using deep learning frameworks.

연구 동기 및 목표

• 고대역폭 통신 및 최소 침습적 내 endoscopy에 응용되는 데 제약이 되는 다중모드 섬유(MMFs) 내 질서 문제를 해결한다.
• 실험 설정에서의 왜곡과 정렬 오차로 인해 모드 기저 기반 전송행렬(TM)을 정확하게 측정하는 데 어려움이 있다는 문제를 해결한다.
• 강한 기계적 변형 조건에서도 안정성을 유지하는 광채널을 식별할 수 있는 견고한 방법을 개발하여, 실용적인 MMF 시스템에서 질서 없는 작동을 가능하게 한다.
• 변형 범위에 걸쳐 전체 전송행렬의 진동을 몇 가지 핵심 파rameter로 특성화할 수 있음을 보여주어, 모드 결합 분석을 단순화한다.

제안 방법

• Aberration 보정을 위한 커스텀 레이어를 갖춘 딥러닝 프레임워크(PyTorch)를 사용하여 전송행렬 측정 과정에서 발생하는 왜곡을 모델링하고 수정한다.
• 입력 및 출력 평면에서의 파면 왜곡을 표현하기 위해 Zernike 다항식을 포함한 모델 기반 최적화를 적용한다.
• 1kHz 디지털 마이크로미러 장치와 InGaAs 카메라를 사용해 약 10초 내에 픽셀 기저 기반 전송행렬(Hpix)을 추정한다.
• 수치적으로 최적화된 기저변환 행렬을 사용하여 픽셀 기반 TM을 모드 기저로 변환하고, 실험적 결함을 보정한다.
• 변형 주요 모드—기계적 편향 조건에서도 안정성을 유지하는 입력 상태—를 식별하기 위해 일반화된 Wigner-Smith(GWS) 연산자를 적용한다.
• GWS 고유모드를 입력 자극으로 사용하여 다양한 변형 조건에서 섬유의 반응을 탐사함으로써, 견고한 전송채널을 식별한다.

실험 결과

연구 질문

• RQ1 모델 기반 딥러닝 접근법이 실험적 왜곡이 존재하는 상황에서도 모드 기저 기반 MMF의 전송행렬을 정확하게 추정할 수 있는가?
• RQ2 강한 기계적 변형 조건에서도 안정성을 유지하는 변형 주요 모드가 존재하는가, 즉 섬유가 크게 휘어져도 안정적인가?
• RQ3 변형 범위에 걸친 전송행렬의 진동을 몇 가지 핵심 파rameter로 특성화할 수 있는가?
• RQ4 일반화된 Wigner-Smith 연산자가 다중모드 섬유에서 질서에 강건한 광채널을 식별하는 데 얼마나 효과적으로 활용될 수 있는가?
• RQ5 변형 주요 모드의 안정성은 다양한 편광 상태와 변형 수준 간에도 유지되는가?

주요 결과

• 제안된 방법은 1kHz 프레임 레이트에서 10초 내에 모드 기저 기반 전송행렬을 신속하고 정확하게 추정할 수 있다.
• 일반화된 Wigner-Smith 연산자를 활용하여 거의 모든 광채널이 강한 변형에 저항하는 것으로 식별되었으며, 변형 수준 간 모드 프로파일 재구성에서 94%의 정밀도를 달성했다.
• 다른 변형 조건에 대해 보정된 전송행렬 간의 제곱오차는 뿐이며, 이는 보정이 다양한 왜곡 수준 간에 매우 높은 안정성과 이식 가능성을 지닌다는 것을 시사한다.
• 보정된 TM의 특이값 스펙트럼은 110개 모드에서 명확한 절단점을 보이며, 이는 이론적 지그재형 모드 수와 일치하여 정확한 모드 기저 재구성가능성을 확인한다.
• 39번째 변형 주요 모드는 최소 및 최대 변형 조건에서 출력 강도 프로파일 간 상관관계가 가장 높으며(그림 S9의 인셋 참조), 이는 그 안정성이 뛰어나다는 것을 확인한다.
• 변형 주요 모드를 섬유 모드 기저에 투영한 결과(그림 S10 참조)에 따르면, 이러한 견고한 채널은 다수의 섬유 모드의 초합성으로 이루어져 있으며, 이는 견고성이 단일 모드 자극이 아닌 모드 간 간섭에 기인한다는 것을 시사한다.