Rilevamento di skyrmion ottici con reti neurali diffrattive

Introduzione

La capacità di plasmare i molti gradi di libertà (DoFs) della luce ha permesso di creare una miriade di strutture complesse ed esotiche. Tra queste spiccano gli skyrmion ottici, strutture topologiche simili a particelle che sono state costruite utilizzando vari DoFs della luce, incluso il momento angolare di evanescent waves, impulsi spaziotemporali, vettori nello spazio momento, vettori Stokes e nel regime quantistico con stati fotone singolo e entangled bi-fotone. Queste strutture hanno visto un crescente interesse negli ultimi anni, guidato dalla loro dimostrata robustezza alle perturbazioni esterne sia nel regime classico che quantistico. Le potenziali applicazioni di questi stati di luce sono vaste, che spaziano dalla comunicazione e calcolo, alla metrologia e microscopia.

Questo entusiasmo ha portato allo sviluppo di una molteplicità di mezzi per generare queste topologie, inclusi ottici a cristalli liquidi statici e regolabili, lastre d'onda, microcavità, interferometri combinati con ologrammi digitali e avanzati dispositivi metasuperficie. Nonostante questo vasto e rapidamente corpo di lavoro, la cassetta degli attrezzi per manipolare e rilevare gli skyrmion ottici è ancora nelle sue fasi iniziali, affidandosi alle ricostruzioni dei campi ottici sottostanti attraverso la polarimetria di Stokes o la tomografia quantistica degli stati, entrambi che richiedono molteplici misurazioni altamente suscettibili al rumore.

Il Problema del Rilevamento

Le difficoltà nel rilevamento degli skyrmion ottici sono state ostacolate dal fatto che skyrmion di topologie diverse non sono necessariamente ortogonali. Questo è in netto contrasto con molti altri DoFs della luce, come polarizzazione, momento angolare orbitale (OAM) e lunghezza d'onda, che formano basi ortogonali i cui elementi sono facili da discriminare con misurazioni proiettive deterministiche o probabilistiche a singolo esito.

La scelta dell'approccio di misurazione dipende fortemente dall'applicazione. Ad esempio, nella correzione aberrativa adattiva, potrebbe essere necessario ricostruire il campo completo e la sua topologia associata, rendendo sia l'invariante topologico che la texture di spin essenziali. Al contrario, in applicazioni come il calcolo ottico e la comunicazione, dove l'estrazione rapida dell'indice topologico è il requisito principale, la ricostruzione del campo completo e i metodi di calcolo numeri associati diventano impraticabili.

Reti Neurali Ottiche

Le reti neurali artificiali sono strumenti ben adatti per risolvere problemi complessi e multiparametrici e sono state realizzate utilizzando la luce, denominate reti neurali ottiche (ONNs) o reti neurali diffrattive profonde (D²NN), motivate dalla diminuita domanda energetica dei sistemi ottici, dove la natura stessa può assumersi parte del carico computazionale. Questi sistemi hanno dimostrato la capacità di affrontare una serie di compiti, inclusa la classificazione di immagini, il (de)multiplexing di modalità spaziali, il sorting di stati quantistici non ortogonali, il recupero di fase, l'emulazione di porte quantistiche, il calcolo fotico e la mitigazione del rumore, con le tecniche che maturano verso l'addestramento in tempo reale e l'operazione adattiva.

Approccio Proposto

In questo lavoro, utilizziamo la potenza delle D²NN per dimostrare la prima istanza di un rilevatore per topologie ottiche utilizzando la topologia trasportata da modi Laguerre-Gaussian vettoriali parassiali come esempio illustrativo. Mostriamo che tale stato topologico di input skyrmion viene mappato su due canali di output dipendenti dalla polarizzazione attraverso una serie di cinque maschere D²NN, raggiungendo visibilità di rilevamento (equivalentemente fedeltà) >93%. L'esito congiunto su ogni canale consente la misurazione diretta dell'invariante topologico, il numero skyrmion N, che verifichiamo utilizzando 81 topologie di input tra 15 diversi numeri skyrmion.

Per superare la complessità dell'addestramento, adottiamo una base modale per la ricostruzione della maschera, utilizzando modi Fourier invece di pixel, per una rete che richiede solo ≈10² unità diffrattive per strato anziché ≈10⁵ per approcci basati su pixel. Per dimostrare l'efficacia di tale rilevatore, eseguiamo un esperimento di principio e utilizziamo il rilevatore per ricevere informazioni codificate in un alfabeto topologico, mostrando eccellente fedeltà anche sotto gravi distorsioni del canale e alti livelli di luce di fondo.

Struttura del Rilevatore

Il nostro approccio per rilevare gli skyrmion ottici codificati in campi vettoriali utilizzando reti neurali diffrattive è illustrato nella Figura 1. L'obiettivo generale è rilevare questi skyrmion in uno schema di elaborazione tutta ottica che minimizza l'overhead computazionale elettronico affrontando la sfida chiave che i numeri topologici non sono ortogonali. Il rilevatore comprende due canali di elaborazione indipendenti, ciascuno contenente cinque strati diffrattivi, che mappano le topologie di input su canali di output spazialmente separati, abilitando l'identificazione di N.

Caratteristiche del Sistema

• Due canali di elaborazione indipendenti
• Cinque strati diffrattivi per canale
• Riduzione dei parametri di addestramento di un fattore 1000
• Visibilità di rilevamento >93%
• Capacità di identificare 15 diversi numeri skyrmion

Applicazioni Pratiche

La nostra dimostrazione di un rilevatore topologico facile da addestrare, ad alta velocità e resistente al rumore apre la strada all'utilizzo della luce topologica in una vasta gamma di applicazioni del mondo reale, inclusa metrologia e sensing, imaging e comunicazioni ottiche classiche e quantistiche ad alta velocità. Abbiamo trasmesso e recuperato un'immagine codificata utilizzando un alfabeto topologico a 15 livelli con crosstalk trascurabile, dimostrando una pratica strada verso la comunicazione ottica abilitata dalla topologia.

Questo lavoro rappresenta un significativo passo avanti verso la realizzazione di sistemi di comunicazione e calcolo basati su stati di luce topologici, superando una delle principali limitazioni che ne hanno ostacolato l'implementazione pratica. La capacità di rilevare direttamente gli invarianti topologici senza richiedere ricostruzioni complete del campo apre nuove possibilità per applicazioni ad alta velocità e bassa latenza.