Laser & Photonics Rev.：基于深度学习实现环形光纤中多种模式基的识别

随着互联网、云计算、人工智能等新兴业务的迅速崛起，带来海量数据传输、交换和处理的需求。为了满足日益增长的容量需求，现有光通信网络容量持续提升。大量基于光波幅度、相位、频率/波长、偏振、时间维度的复用技术已被充分利用并开发殆尽，光波目前唯一未被充分开发利用但又资源丰富的就只剩下光波的横向空间分布，即空间维度资源，近年来正在受到研究学者的广泛关注。常见的空间模式基主要包括线偏振模式（LP：linearly polarized mode）、线偏振/圆偏振轨道角动量（OAM：orbital angular momentum）模式、矢量模式（vector mode）等。不同模式基需要使用相应的解复用等接收装置以正确获得其所携带的信息。目前的空分复用特别是模分复用光通信系统呈现出多种模式基共存的趋势，不同的网络可能使用不同的模式基，这样不同模式基的智能识别对于增强光通信系统的灵活性和智能性就显得尤为重要。

华中科技大学武汉光电国家研究中心王健教授团队针对这一问题将深度学习技术引入光通信并应用于实现多种模式基快速准确的智能识别。深度学习作为一门与数学、计算机、生物科学相结合的前沿交叉学科，在计算机视觉、自然语言处理、数据挖掘等领域都得到了广泛的应用。其中，卷积神经网络（CNN：conventional neural network）作为深度学习模型的核心成员，因其可以直接对未经处理的图片进行固有特征的提取而在识别分类方面具有巨大优势。如何利用卷积神经网络等智能方法的优势来实现多种模式基动态识别和自适应解调对于实现智能光通信系统具有重要研究价值。

为了实现多种模式基的智能识别，该研究团队选取光纤作为传输介质，针对常用的空间模式基（LP模式、线/圆偏振OAM模式、矢量模式）的强度、相位及偏振的分布特点，采集适当的样本作为输入用于卷积神经网络的训练和学习。LP模式和线/圆偏振OAM模式可以看作矢量模式的线性叠加，各模式基之间可以相互转化。该研究利用不同模式的偏振特性，使用偏振分束棱镜将携带模式基的光束分解到相互正交的两个偏振方向，利用相机记录下不同模式基在各个偏振方向上的强度分布，作为卷积神经网训练和学习的输入样本。实验结果表明使用LeNet5模型（经典的卷积神经网络模型）时，对四种常见模式基的识别率高达100%。进一步，为了提升智能识别系统的紧凑性和降低成本，提出使用小规模光电探测器(PD)阵列替代相机进行神经网络训练样本的采集。为了验证该方案的可行性，针对十种不同规格PD阵列进行研究，结果表明使用1×5 PD阵列就可实现对四种模式基100%的识别，仅使用1×2 PD阵列识别率也能达到93.3%。

       该研究工作是将深度学习理念和算法应用于提升空分复用特别是模分复用通信系统性能和灵活性的一次有益尝试，不仅拓展了深度学习的应用领域，也为实现多种模式基的自适应解调提供了新思路。相关研究成果“Deep Learning based Recognition of Different Mode bases in Ring-Core Fiber”发表在Laser & Photonics Reviews上，并选为内封面文章（DOI:10.1002/lpor.202000249）。