全息数据存储中基于深度学习的无透镜复振幅解调

大数据时代，全球数据量呈指数级增长。众多技术的发展依赖于海量数据，也产生海量数据。数据挖掘、存储和保护变得越来越重要。传统数据存储技术的发展已经跟不上数据产生的速度，需要开发新的高密度、持久、低成本的存储方式。

传统的数据存储技术基本上是将一维数据存储在二维表面上。要突破现有技术的局限性，需要从存储维度的增加来思考。

全息数据存储似乎是一个可行的解决方案。它利用信息光编码图案和参考光编码图案之间的干涉在介质中记录全息图。读取时，仅参考光束用于从全息图衍射信息光图案。

全息数据存储技术具有三维体存储和二维数据传输的特点，能够实现更高的存储密度和更快的数据传输速度，是下一代存储技术的有力竞争者。

事实上，全息数据存储技术提出已有60年，但至今仍未得到实际应用。原因之一是传统的全息数据存储仅采用幅度调制，与全息的理论意图不符，实际达到的存储密度与理论值相去甚远。

为了充分利用全息数据存储的优势，必须使用复调幅进行记录和读取。然而，技术瓶颈在于相位读取，因为相位无法通过检测器直接获得。

使用干扰读相的问题是系统不稳定，不利于实用，而传统的非干扰方法往往需要迭代计算，降低了数据传输速度。在《Opto-ElectronicAdvances》的一篇新文章中，研究人员提出利用近场衍射的强度图像，在无干扰的情况下同时、非迭代地准确读取振幅和相位信息，解决了全息数据存储复杂振幅调制的关键技术瓶颈。

该模型的核心在于使用端到端的卷积神经网络从近场衍射图案中提取高频和低频图像特征，对应于相位调制和幅度编码。在神经网络训练的基础上，建立具有泛化能力的网络，准确预测新的复振幅编码信息。

本质上，深度学习在时间维度上积累了足够多的冗余特征信息，以弥补由于无法检测空间相位而导致的维度损失问题。深度学习和全息数据存储之间有一个很好的结合点。与其他成像应用不同，由于全息数据存储的编码是可控的，这种编码先验可以用来有意识地调制编码规则，产生更多差异化的数据样本，使深度学习更高效。

福建师范大学谭晓迪教授课题组提出了一种基于深度学习的近场衍射解码系统，能够以非干涉、非迭代、快速的方式准确读取振幅和相位信息，从而解决了全息数据存储中复振幅调制的关键技术瓶颈。

深度学习与全息数据存储相结合的成功取决于三个关键点。关键点之一是无透镜近场衍射强度检测。无透镜系统和近场距离的选择都是为了保证光场具有一定的衍射效应，使相位变化通过衍射传递到光强分布，同时仍然保留振幅特征。

在仿真和实验中，这种对应关系在一定范围内存在，具体的衍射距离取决于输入编码的空间频率和复杂度等因素。例如，如果编码具有较高的空间频率，则衍射效应更强，近场衍射距离应该更短。第二个关键点是找到幅度和相位之间的特征差异。由于振幅和相位都是从近场衍射强度图中获知的，因此必须有可区分的点以防止它们之间混淆。

研究人员发现，决定振幅学习网络的特征是低频部分的强度分布，而决定相位学习网络的特征是高频部分的相位差模式。这使得相同的近场衍射强度图能够在不受干扰的情况下分别重建振幅和相位。

第三个关键点是不等间隔编码。通常，均匀编码具有较大的编码区间，可以减少编码重构干扰，但在该方法中，均匀区间编码产生的相位差组合是完全相同的，深度学习无法区分相应的衍射特征。因此，非均匀编码可以大大提高样本的多样性，从而使深度学习网络能够准确识别复杂幅度编码。

这项工作不仅在全息数据存储领域有应用，而且对基于深度学习的计算成像的其他领域也有影响。深度学习“黑匣子”物理意义不明确限制了其应用。在全息数据存储领域，可以自由设计编码，为研究对象提供先验知识。因此，通过建立深度学习复幅编解码的评价机制，分析不同编码条件与深度学习解码效率的关系，可以确定哪些编码规则更适合深度学习解码，制定优化策略用于全息数据存储中的复振幅编码，并基于此策略在编码和解码之间迭代优化。这可以为深度神经网络结构的参数赋予结构化的物理函数，为打开深度学习的“黑匣子”打下基础。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！