[论文解读] Learning and avoiding disorder in multimode fibers

Maxime W. Matthès, Yaron Bromberg+2 more|arXiv (Cornell University)|Oct 28, 2020

Random lasers and scattering media参考文献 40被引用 21

一句话总结

本文提出了一种增强深度学习的方法，用于识别并利用多模光纤（MMFs）中在强机械形变下仍保持鲁棒性的形变主模式。通过利用广义Wigner-Smith算符并结合基于模型的优化（使用PyTorch实现），作者在存在像差的情况下，仍能实现快速、精确的传输矩阵估计，成功识别出几乎所有对紊乱引起的模式耦合免疫的光学通道。

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.

研究动机与目标

• 解决多模光纤（MMFs）中的紊乱问题，该问题限制了其在高带宽通信和微创内窥镜中的应用。
• 克服由于实验装置中的像差和对准误差，导致在模式基下精确测量传输矩阵（TM）的困难。
• 开发一种稳健的方法，识别在强机械形变下仍保持稳定的光学通道，从而实现在实际MMF系统中的无紊乱运行。
• 证明仅少数关键参数即可表征整个形变范围内传输矩阵的演化，简化模式耦合的分析。

提出的方法

• 使用基于PyTorch的深度学习框架，并引入自定义层，以建模并校正传输矩阵测量过程中的像差。
• 采用基于模型的优化方法，结合泽尼克多项式，表示输入和输出平面中的波前畸变。
• 利用1 kHz数字微镜器件和InGaAs相机，在约10秒内以像素基估计传输矩阵（Hpix）。
• 通过数值优化的基变换矩阵，将基于像素的TM转换为模式基，以校正实验中的不完美性。
• 应用广义Wigner-Smith（GWS）算符，识别形变主模式——即在机械扰动下仍保持稳定的输入态。
• 将GWS本征模式作为输入激励，探测光纤在不同形变下的响应，从而识别出稳健的传输通道。

实验结果

研究问题

• RQ1 基于模型的深度学习方法是否能在存在实验像差的情况下，准确估计MMF在模式基下的传输矩阵？
• RQ2 是否存在在强机械形变下仍保持稳定的形变主模式，即使光纤受到显著扰动？
• RQ3 传输矩阵在形变范围内的演化是否仅能由少数关键参数表征？
• RQ4 广义Wigner-Smith算符在识别MMFs中对紊乱具有鲁棒性的光学通道方面，其适用程度如何？
• RQ5 形变主模式的鲁棒性是否在不同偏振态和形变水平下均保持不变？

主要发现

• 所提出的方法在1 kHz帧率下仅用10秒采集时间，即可实现模式基下传输矩阵的快速、精确估计。
• 通过利用广义Wigner-Smith算符，作者识别出几乎所有光学通道在强形变下均具有鲁棒性，且在不同形变水平下实现了94%的模式轮廓重建保真度。
• 不同形变下校正后传输矩阵之间的二次误差仅为3%，表明校正方法在扰动水平间具有高度稳定性与可转移性。
• 校正后传输矩阵的奇异值谱在110个模式处出现明显截断，与理论支持的导模数量一致，证实了模式基重建的准确性。
• 第39个形变主模式在最小形变与最大形变下的输出强度分布之间表现出最高相关性（见图S9插图），证实其鲁棒性。
• 将形变主模式投影到光纤模式基（见图S10）显示，这些稳健通道是多个光纤模式的叠加，表明其鲁棒性源于模式干涉，而非单一模式激励。