مزوسکوپی اپتوآکوستیک مبتنی بر مدل باند پهن، تصویربرداری بافت عمیق را فراتر از حد پراش آکوستیک امکان پذیر می کند

خلاصه

مزوسکوپی اپتوآکوستیک (OAM) کنتراست آناتومیک و عملکردی را در داخل بدن در اعماق غیر قابل حل با میکروسکوپ نوری بازیابی می کند. پیشرفت‌های اخیر در الگوریتم‌های بازسازی، عملکرد تصویربرداری آن را برای ارائه وضوح جانبی بالا که در نهایت توسط پراش صوتی محدود می‌شود، بیشتر کرده است. در این کار، یک چارچوب OAM مبتنی بر مدل پهن باند جدید (MB-OAM) که به طور موثر از تقارن‌های اسکن برای عملکرد بهبودیافته استفاده می‌کند، ارائه شده است. با استفاده از پهنای باند تشخیص بزرگ یک فیلم کروی پلی وینیلیدین دی فلوراید در حالی که پاسخ تکانه فضایی آن را به طور دقیق محاسبه می کند، رویکرد جدید به طور قابل توجهی از اجرای استاندارد OAM از نظر کنتراست و وضوح بهتر عمل می کند، همانطور که توسط آزمایش های کاربردی in vivo در موش ها و داوطلبان انسان تایید شده است. علاوه بر این، منظم‌سازی هنجار L1، ساختارهایی را که با وضوح کمتر از تفکیک محدود پراش نظری از هم جدا شده‌اند را قادر می‌سازد. این عملکرد منحصر به فرد آنژیوگرافی بدون برچسب، کاربرد کلی MB-OAM را به عنوان یک روش تصویربرداری بافت عمیق با وضوح فوق العاده که قادر به شکستن محدودیت های تحمیل شده توسط پراش صوتی است را نشان می دهد.

فن‌آوری‌های هوش مصنوعی

نتیجه گیری و چشم انداز

فن‌آوری‌های هوش مصنوعی در حال فراگیرتر شدن و گسترده‌تر شدن در طیف وسیعی از زمینه‌ها، از کاربردهای تجاری تا تحقیقات علمی پیشرفته هستند. از این نظر، فوتونیک جایگاه برجسته ای را اشغال می کند.

زمینه های تجربی متعددی ممکن است از قابلیت منحصر به فرد الگوریتم های مبتنی بر هوش مصنوعی برای تقریب روابط پیچیده بهره مند شوند. این واقعیت به محققان این امکان را می‌دهد تا با گنجاندن ابزارهای هوش مصنوعی مستقیماً در روال‌های آزمایشی، عملکرد را افزایش داده و پیچیدگی آزمایش‌ها را کاهش دهند. همچنین، مدل‌های ML ابزارهای جدید و قدرتمندی برای تجزیه و تحلیل داده‌ها ارائه می‌کنند که به لطف روش آموزشی، برای مشکل موجود طراحی شده‌اند و در بیشتر موارد منجر به نتایج بی‌سابقه‌ای می‌شوند. در این بررسی، ما مبانی نظری ML و DL را شرح دادیم و کاربرد آنها را در چندین زمینه فوتونیکی تجربی نشان دادیم.

در طیف‌سنجی، مدل‌های DL برای انجام نویز زدایی از ردیابی‌های طیفی، به‌عنوان مثال، برای حذف سیگنال‌های جعلی در اندازه‌گیری‌های منسجم طیف‌سنجی رامان یا برای حذف مدولاسیون فاز متقاطع در دینامیک پمپ-کاوشگر فوق‌سریع، و حذف نویز فضایی و طیفی داده‌های فراطیفی، استفاده شده‌اند. همانطور که در برنامه های تصویربرداری رامان منسجم ایجاد می شود. سایر مدل‌های DL برای شیمی‌سنجی هم در آزمایش‌های طیف‌سنجی و هم تصویربرداری به کار گرفته شده‌اند. از آنجایی که طیف‌سنجی استاندارد طلایی برای تعیین مشخصات مواد و بیومواد است، ادغام ابزارهای هوش مصنوعی برای تجزیه و تحلیل داده‌ها می‌تواند پذیرش تکنیک‌های طیف‌سنجی پیشرفته را در سطح صنعتی برای کاربردهای مختلف، مانند غربالگری دارو و کنترل کیفیت مواد، و نیز بهبود بخشد. برای تشخیص پزشکی و تحقیقات نجومی.

NN ها به ویژه برای کمک به شکل دهی جبهه موج نوری در هنگام برخورد با مسئله معکوس غیرخطی کنترل نور پس از انتشار در یک محیط انتشار موثر هستند. آنها نیاز به اطلاعات گسترده، مانند دامنه پیچیده میدان ها، و سیستم های آزمایشی پیچیده مورد نیاز با رویکردهای تحلیلی استاندارد بر اساس حل معادلات ماکسول را دور می زنند. به عنوان مثال، مدل‌های ML در تصویربرداری محاسباتی برای تقریب ماتریس انتقال از الگوهای لکه‌ای پس از یک پراکنده به تصویر یا رابطه بین الگوی روشنایی نشان‌داده‌شده در یک مدولاتور نور فضایی و توزیع شدت نور متناظر که توسط دوربین خوانده می‌شود، استفاده شده‌اند. در هولوگرافی دیجیتال برای بازیابی اطلاعات فاز از یک هولوگرام اندازه گیری شده واحد. زمانی که نور در MMF منتشر می‌شود، چارچوب مشابهی پیدا می‌شود، جایی که پراکندگی مدال جبهه موج نور منسجم منتشر شده در داخل فیبر را تحریف می‌کند. NN ها راه حل های معتبری را برای بازسازی رابطه غیرخطی بین ورودی و خروجی در MMF ها، انجام تشخیص شی و بازسازی طیفی، بازسازی ورودی با توجه به الگوی لکه ای در خروجی MMF و برای بازیابی اطلاعات در موقعیت های تجربی پر سر و صدا ارائه می دهند. از این نظر، تکنیک‌های شکل‌دهی جبهه موج مبتنی بر ML منبع ارزشمندی برای توموگرافی منسجم، سنجش نوری، و تصویربرداری فاز کمی در کاربردهای بیولوژیکی است که خواص مورفولوژیکی و مکانیکی را در سطح زیر سلولی مشتق می‌کنند.

راه‌حل‌های مبتنی بر NN نه تنها در تجزیه و تحلیل داده‌ها، بلکه در تنظیمات تجربی نیز با موفقیت به کار گرفته شده‌اند. ما استفاده از DL را برای تولید فرکانس‌های نوری جدید در MMF، برای تولید ابرپیوسته نور سفید و همچنین برای تولید و توصیف حالت‌های کوانتومی نور، بلوک‌های سازنده همه آزمایش‌های اطلاعات کوانتومی انجام‌شده با نور، توصیف کردیم. پیشرفت‌های بیشتر این رویکردها ممکن است کیفیت و قابلیت اطمینان راه‌اندازی‌های آزمایشی را به شیوه‌ای غیر ضروری بهبود بخشد. در فوتونیک کوانتومی، راه‌حل‌های جالب ارائه شده توسط ابزارهای هوش مصنوعی شامل دور زدن تخمین مدل‌های نظری برای کاربردهای سنجش و سنجش و مدل‌سازی حالت‌های کوانتومی در محیط‌های پر سر و صدا است، جایی که رویکردهای تحلیلی ممکن است از نظر محاسباتی بسیار سنگین باشند. با توجه به داده‌های کافی که رفتار سیستم را به شکل جفت ورودی-خروجی نشان می‌دهند، الگوریتم‌های ML و NN می‌توانند برای تقریب توصیف ناشناخته استفاده شوند.

در نهایت، محاسبات فوتونیک یک زمینه تحقیقاتی است که در آن دیدگاه مخالف رابطه بین فوتونیک و هوش مصنوعی در نظر گرفته شده است. از این نظر، دستگاه های فوتونیک قادر به ارائه پلت فرم های محاسباتی موثر انرژی هستند. فرصت‌های جدیدی ممکن است از این حوزه تحقیقاتی به‌ویژه با هدف ترکیب کامل الگوریتم‌های هوش مصنوعی در دستگاه‌هایی که قادر به پاسخ‌های آنی و دقیق هستند، پدید آید.

محاسبات فوتونیک

محاسبات فوتونیک

در بخش‌های فوق، کاربردهای هوش مصنوعی در زمینه اپتیک را به طور گسترده مورد بحث قرار داده‌ایم و توانایی آن را برای کمک به فوتونیک کلاسیک و کوانتومی در طیف گسترده‌ای از کاربردهای تجربی برجسته می‌کنیم. اخیراً، یک منطقه تحقیقاتی بزرگ و رو به رشد دیدگاه مخالف را بررسی کرده است، یعنی چگونگی توسعه پلتفرم‌های فوتونیکی که می‌توانند محاسبات و وظایف هوش مصنوعی را انجام دهند. این تلاش با انگیزه بوسونیک و ماهیت غیر متقابل فوتون ها انجام می شود که به فرد امکان می دهد محاسبات موازی با پهنای باند فوق العاده وسیع انجام دهد. بررسی دقیق این موضوع از حوصله این مقاله خارج است. ما خواننده را به بررسی های عالی و مفصل [189-191] که قبلاً وجود دارد ارجاع می دهیم. در هر صورت، ما معتقدیم که برجسته کردن گام‌های اصلی در این زمینه، با آخرین نتایج تحقیقات، می‌تواند برای درک تمام جنبه‌های تأثیر متقابل بین فوتونیک و هوش مصنوعی مفید باشد.[192]

اولین پیاده‌سازی شبکه‌های عصبی نوری به دهه ۸۰ برمی‌گردد. این دو جنبه، دو ستون تحقیق در محاسبات نورومورفیک هستند، [190] یک جریان تحقیقاتی که هدف آن توسعه سخت افزاری است که ویژگی های مدل های عصبی را منعکس می کند. پیشرفت های عظیم در این زمینه با توسعه گسترده فوتونیک یپارچه سیلیکونی و با نشان دادن اینکه عملیات ضرب و انباشت (MAC) که سنگ بنای DNN است، ممکن است به طور موثر از طریق پلت فرم های نوری محاسبه شود، امکان پذیر شد.[197] این یافته‌ها به میدان محاسبات نورومورفیک قدرت جدیدی داد.[198-203]

به موازات توسعه فوتونیک سیلیکون، تقاطع دیگری بین اپتیک و هوش مصنوعی در اوایل دهه 2000، پس از اولین نمایش شبکه‌های حالت اکو[204] و ماشین‌های حالت مایع، پدیدار شد.[205] این اشیاء RNN خاصی هستند که نورون های آن توسط وزن های ثابت به هم متصل می شوند. فقط لایه نهایی برای پیش بینی خروجی از طریق رگرسیون خطی ساده آموزش داده شده است. این معماری‌ها در مفهوم محاسبات مخزن (RC) متحد شدند: [206] وزن‌های ثابت RNN اکنون با یک مخزن عمومی جایگزین شده‌اند که می‌تواند توسط هر سیستمی با دینامیک غنی و پایدار پیاده‌سازی شود.[207] این الگوی محاسباتی جدید به راحتی توسط محققان فوتونیک برای پیاده سازی RC از طریق سخت افزار نوری مورد بهره برداری قرار گرفت. [215، 216]. در سال‌های گذشته، تحقیقات بر روی محاسبات فوتونیک، [217] مهندسی نورومورفیک [218-220] و RC در حال رشد هستند. به عنوان محاسبه وضعیت پایه سیستم‌های چرخش‌های متقابل[223، 224] یا انجام کار کلاسیک ML با استفاده از چارچوب‌های محاسباتی مشابه مانند ماشین‌های یادگیری شدید[225] که از انتشار نور در فضای آزاد[226] یا از طریق فیبرها بهره‌برداری می‌کنند.[227]

ایده بهره‌برداری از سیستم‌های فیزیکی برای غلبه بر محدودیت‌های محاسباتی که الگوریتم‌های ML با مجموعه داده‌های با ابعاد بالا با آن مواجه می‌شوند، باعث ایجاد شاخه تحقیقاتی جدیدی شده است که از ویژگی‌های سیستم‌های کوانتومی به منظور بهینه‌سازی الگوریتم‌های ML کلاسیک استفاده می‌کند.[228-230] محاسبات کوانتومی در واقع به توسعه الگوریتم‌های خاصی اجازه می‌دهد که به سرعت نمایی در مقایسه با بهترین نمونه‌های کلاسیک شناخته‌شده خود دست یابند، [231، 232] بنابراین یک پلت‌فرم کوانتومی می‌تواند تعدادی از منابع غیرقابل دسترس با رایانه‌های کلاسیک را به ML ارائه دهد. استفاده از پلتفرم‌های فوتونیک کوانتومی برای بررسی این آخرین جنبه امیدوارکننده به نظر می‌رسد، همانطور که در مقالات نشان داده شده است.

طبقه بندی و خصوصیات حالت های کوانتومی نوری

طبقه بندی و خصوصیات حالت های کوانتومی نوری

حالت‌های فوتونیک کوانتومی منبع مهمی را نه تنها برای کاربردهای سنجش، بلکه برای ارتباطات کوانتومی [176-178] و پروتکل‌های محاسباتی نشان می‌دهند. توصیف قابل اعتماد حالات کوانتومی به کار گرفته شده حالت های ایجاد شده در واقع تحت تأثیر نویز و نواقص تجربی قرار می گیرند، بنابراین دانش در مورد وضعیت واقعی موجود تنها از طریق بازسازی کامل توموگرافیک آن به دست می آید، یعنی بازسازی ماتریس چگالی حالت با استفاده از اندازه گیری ها بر روی مجموعه ای از حالت های کوانتومی یکسان. دانش ماتریس چگالی $\rho$ در واقع اجازه می دهد تا وضعیت کوانتومی بازرسی شده را به طور کامل مشخص کنیم.[159] با این حال، تعداد اندازه‌گیری‌های مورد نیاز برای به دست آوردن مقیاس توموگرافی کامل به صورت تصاعدی با ابعاد وضعیت مورد بررسی، بنابراین برای سیستم‌های با ابعاد بالا، حل آن از نظر محاسباتی به یک کار سخت تبدیل می‌شود که نیاز به تجزیه و تحلیل حجم عظیمی از داده‌ها دارد. برای غلبه بر مشکلات مرتبط با مقیاس نمایی، زمانی که منطقی است فرض کنیم که حالت کوانتومی بررسی شده برخی از ویژگی‌های منظمی خاص را برآورده می‌کند، از مدل‌های مولد استفاده شده است.

حالت‌هایی که تابع موج آن‌ها را می‌توان توسط یک ماشین بولتزمن محدود (RBM) تقریب زد که به عنوان یک تقریب‌کننده جهانی شناخته می‌شود که می‌تواند یک توزیع پیچیده کلی را فقط از ورودی‌ها یاد بگیرد، مورد توجه خاص است. RBM ها یک روش یادگیری بدون نظارت هستند که به فرد اجازه می دهد توزیع احتمال مرتبط با مجموعه ورودی های خود را بازسازی کند. آنها از یک NN دو لایه تشکیل شده اند: لایه قابل مشاهده و لایه پنهان و اتصالات فقط بین گره های قابل مشاهده و گره های پنهان وجود دارد. در سال‌های اخیر ثابت شده است که آنها ابزاری کارآمد برای حل مسائل فیزیک کوانتومی هستند، همانطور که در مقاله نشان داده شده است. [181]. با محدود کردن به RBM ansatz، می توان توموگرافی حالت کوانتومی را برای حل یک کار ML بدون نظارت به دست آورد. در چارچوب فوتونیک، ایده توسعه یافته توسط ref. [181] برای به دست آوردن توموگرافی یک حالت آزمایشی دو کیوبیت و برای بازسازی یک حالت نوری متغیر پیوسته از اندازه‌گیری‌های ربع هموداین اجرا شده است.[182]

کاربردها در مترولوژی و سنجش

کاربردها در مترولوژی و سنجش

دومین کاربرد مهم روش‌های ML در آزمایش‌های کوانتومی، استفاده از آن‌ها برای جلوگیری از تمام مشکلات ناشی از توسعه یک مدل نظری است که قادر به توصیف رفتار سیستم کوانتومی در یک محیط پر سر و صدا است. در این سناریو، NN و دیگر الگوریتم‌های ML می‌توانند برای نگاشت ورودی‌ها به خروجی‌ها استفاده شوند که در نتیجه راه‌حلی سریع‌تر و ساده‌تر از یافتن یک مدل صریح ایجاد می‌شود، زیرا آنها توصیف مؤثری را نشان می‌دهند که مستقیماً از داده‌ها آموخته می‌شوند.

در این زمینه، ML یک کاربرد در پروتکل‌های تخمین فاز کوانتومی پیدا کرده است که نشان‌دهنده یک معیار مهم در زمینه اندازه‌شناسی است. پارامتر مورد نظر یک تغییر فاز نوری است که توسط نمونه مورد بررسی، در میان دو حالت مختلف حالت نوری مورد استفاده به عنوان پروب معرفی شده است. وظیفه آزمایش‌های اندازه‌شناسی شامل برآورد چنین فازی با کمترین عدم قطعیت قابل دستیابی است، که دارای یک کران پایینی اساسی است که توسط قوانین مکانیک کوانتومی معرفی شده است، [165-167]، اندازه‌گیری کاوشگر نوری پس از برهمکنش آن با نمونه. برای رسیدن به این هدف، نشان داده شده است که استفاده از منابع کوانتومی نقش اساسی دارد. در واقع، با استفاده از حالت های نوری با ویژگی های غیر کلاسیک، مانند درهم تنیدگی، می توان به حد نهایی دقت اندازه گیری دست یافت.

تولید حالات کوانتومی نور

تولید حالات کوانتومی نور

پلتفرم‌های فوتونیک یک نامزد امیدوارکننده برای تولید انواع زیادی از حالت‌های چند فوتونی درهم تنیده را نشان می‌دهند. با این حال، مشکلات موجود در طراحی آزمایش‌های نوری جدید و کارآمد هم با ابعاد و هم با پیچیدگی حالت‌های مورد نظر افزایش می‌یابد. اخیراً، پروتکل‌های هوش مصنوعی برای یافتن پیکربندی بهینه عناصر نوری که حالت کوانتومی مورد نظر را از حالت اولیه موجود تولید می‌کنند، به کار گرفته شده‌اند. پیکربندی های جالبی که حالت های مورد نظر را ایجاد می کنند.

در مرجع. [162]، ملنیکوف و همکاران. یک پروتکل RL، فرموله شده در چارچوب شبیه سازی تصویری، برای طراحی آزمایش های پیچیده فوتونیک کوانتومی ایجاد کرد. حالت کوانتومی در تکانه زاویه‌ای مداری (OAM) فوتون‌های تولید شده توسط فرآیند تبدیل پارامتری خودبه‌خودی مضاعف (SPDC) در دو کریستال غیرخطی کدگذاری می‌شود. نویسندگان به عامل دو وظیفه متفاوت می‌دهند: اولی یافتن ساده‌ترین راه‌اندازی است که امکان تولید یک حالت کوانتومی با مجموعه‌ای از ویژگی‌ها را فراهم می‌کند، در حالی که دومی شامل یافتن پیکربندی‌های آزمایشی تا حد امکان برای تولید همان حالت است. . برای دستیابی به چنین وظایفی در هر تکرار الگوریتم، عامل به مجموعه‌ای از عناصر نوری از جمله شکاف‌کننده‌های پرتو، آینه‌ها، هولوگرام‌های پارامتری شیفت و منشورهای Dove دسترسی دارد که می‌تواند به صورت متوالی روی میز نوری قرار دهد. پس از تجزیه و تحلیل وضعیت به دست آمده از تکامل از طریق عناصر انتخاب شده، عامل یا پاداشی دریافت می کند یا نه همانطور که در شکل 11 نشان داده شده است. دو وظیفه ما در حال بررسی است. پیکربندی‌های به‌دست‌آمده نشان می‌دهند که چگونه الگوریتم‌های هوش مصنوعی می‌توانند حتی در طول طراحی آزمایش‌های نوری جدید به کار گرفته شوند. جالب توجه است، این نوع رویکرد، که امکان بررسی میلیون‌ها آزمایش اپتیکی کوانتومی مختلف را فراهم می‌کند، منجر به کشف تنظیمات غیرمتعارف جدیدی شد که برای به دست آوردن اولین تحقق تجربی حالات بسیار درهم‌تنیده با ابعاد بالاتر و تکنیک‌های کوانتومی جدید مورد استفاده قرار گرفته‌اند. با پیدا شدن پروتکل ها و برنامه های کاربردی جدید، این راه دسترسی به حالت های دلخواه به یک دارایی کلیدی تبدیل می شود.

کاربرد هوش مصنوعی در اپتیک کوانتومی

کاربرد هوش مصنوعی در اپتیک کوانتومی

توسعه فناوری های کوانتومی اکنون به مرحله ای رسیده است که در آن نوعی پردازش خودکار داده ها به شدت مطلوب است. این نیاز از حجم زیادی از داده‌هایی که یک سیستم کوانتومی پیچیده می‌تواند تولید کند و همچنین لزوم اتکا نکردن به اپراتوری که بر روی سیستم عمل می‌کند ناشی می‌شود. بنابراین ML به عنوان یک تکنیک جذاب برای رسیدگی به چنین مشکلاتی به نظر می رسد. به ویژه، در زمینه اپتیک کوانتومی، [158] پیچیدگی آزمایش های جدید به طور مداوم در حال افزایش است. ما اکنون تجهیزات و پلتفرم‌هایی را برای تولید حالت‌های درهم تنیده چندجانبه با ابعاد بالا داریم که شامل سیستم‌های فیزیکی متشکل از بیش از دو زیرسیستم است که می‌توانند برای دستیابی به وظایف مختلف دستکاری شوند. یکی از پیامدهای مستقیم برخورد با چنین سیستم‌های پیچیده‌ای این است که کنترل و توصیف حالت‌های تولید شده نیازمند تلاش‌های بزرگ‌تری هم از نظر هزینه‌های محاسباتی و هم در توانایی مدل‌سازی رفتار آنها است. در واقع، در حالی که توصیف کامل یک سیستم کلاسیک به تعدادی پارامتر نیاز دارد که به صورت خطی با اندازه سیستم مقیاس می شوند، تعداد اندازه گیری ها و پارامترهای مورد نیاز برای توصیف حالت های کوانتومی تولید شده به صورت نمایی با ابعاد آنها مقیاس می شود. چنین مقیاس بندی نمایی ذاتاً با ویژگی های خاص پدیده های کوانتومی مرتبط است.[159] بنابراین، استفاده از روش‌های ML به‌ویژه در شرایط تجربی پر سر و صدا مفید به نظر می‌رسد، جایی که کاربرد مدل نظری می‌تواند شکست بخورد و توسعه یک مدل خاص به‌ویژه برای سیستم‌های با ابعاد بالا بسیار سخت است. افزایش پیچیدگی منابع کوانتومی فوتونیک در دسترس دلیل اصلی این است که در سال‌های گذشته تعداد آزمایش‌های متوسل به ML به سرعت در این زمینه گسترش یافته است. استفاده از آن در جنبه های مختلف مفید است که در ادامه به صورت جداگانه بررسی خواهیم کرد، یعنی تولید حالت های کوانتومی، استفاده از آنها در کاربردهای اندازه شناسی و در نهایت خصوصیات آنها.

کاربردهای هوش مصنوعی در طیف سنجی

کاربردهای هوش مصنوعی در طیف سنجی

 استفاده از هوش مصنوعی در طیف‌سنجی هم برای حذف نویز و مصنوعات نامطلوب موجود در سیگنال‌های طیفی مرتبط و هم برای انجام یک تجزیه و تحلیل شیمیایی دقیق و کارآمد از داده‌های طیفی قدرتمند ثابت شده است. DL همچنین برای غلبه بر تعصب کالیبراسیون ابزاری طیف‌سنج‌ها، که ممکن است به شدت بر قابلیت اطمینان تفسیر شیمیایی تأثیر بگذارد، استفاده شد. این بخش ابتدا بر حذف نویز طیفی مبتنی بر هوش مصنوعی که در طیف‌سنجی غیرخطی ارتعاشی و طیف‌سنجی فوق سریع پمپ-کاوشگر اعمال می‌شود، تمرکز خواهد کرد. سپس اشکالات اصلی روش‌های شیمی‌سنجی طیفی مرسوم و کاربردهای DL با هدف غلبه بر چنین مسائلی را شرح می‌دهد، و رویکردهای سرتاسری را ارائه می‌کند که می‌توانند از دقت پردازش داده‌های سنتی پیشی بگیرند در حالی که مستقیماً روی داده‌های خام انجام می‌شوند. به طور خاص، روش‌های شیمی‌سنجی DL را بررسی خواهیم کرد که هم طیف‌های 1 بعدی و هم تصاویر طیفی سه بعدی را بررسی می‌کنند. در نهایت، بخش آخر یک رویکرد مبتنی بر هوش مصنوعی برای دستیابی به طیف‌سنج‌های کالیبراسیون-اگنوستیک را بررسی می‌کند.

CNN ها متداول ترین مدل هوش مصنوعی در طیف سنجی را تشکیل می دهند. شایان ذکر است که علیرغم اینکه تصاویر دوبعدی نوع داده اصلی را تشکیل می دهند که CNN ها بر روی آنها اعمال شده اند و برای آن در بین جامعه علمی محبوب شده اند، خواننده در این بخش می بیند که چگونه این مدل ها بر روی طیف های تک تک بعدی یک بعدی نیز کار می کنند. . در واقع، توانایی لایه‌های کانولوشن برای استخراج الگوهای پنهان از ورودی ماتریس خود، صرف نظر از ابعاد خاص چنین ماتریسی، یک گزاره معتبر است. هسته‌های 1 بعدی که بر روی ورودی‌های 1 بعدی پیچیده شده‌اند، نمونه‌ای عجیب از هسته‌های دوبعدی هستند که بر روی ورودی‌های دوبعدی پیچیده شده‌اند، به طوری که وظیفه استخراج ویژگی به شیوه‌ای کاملا مشابه و با عملکرد عالی قابل مقایسه با هسته‌هایی که در امتداد یک جهت می‌لغزند به‌عنوان دیگری واحد انجام می‌شود. .

هوش مصنوعی در فوتونیک کلاسیک و کوانتومی

خلاصه

دهه‌های گذشته شاهد ظهور عظیم هوش مصنوعی (AI) به عنوان ابزاری قدرتمند برای تقویت تحقیقات صنعتی و علمی در طیف گسترده‌ای از زمینه‌ها بودیم. هوش مصنوعی و فوتونیک در حال توسعه یک هم افزایی دو طرفه امیدوارکننده هستند: از یک طرف، رویکردهای هوش مصنوعی می توانند برای کنترل تعدادی از فرآیندهای فوتونیک خطی و غیرخطی پیچیده، هم در رژیم های کلاسیک و هم در رژیم کوانتومی استفاده شوند. از سوی دیگر، فوتونیک می‌تواند راه را برای کلاس جدیدی از پلتفرم‌ها برای سرعت بخشیدن به وظایف هوش مصنوعی هموار کند. این بررسی مفاهیم اساسی یادگیری ماشین (ML) و شبکه‌های عصبی (NN) را در اختیار خواننده قرار می‌دهد و کاربردهای اصلی هوش مصنوعی را در زمینه‌های طیف‌سنجی و شیمی‌سنجی، تصویربرداری محاسباتی (CI)، شکل‌دهی جبهه موج و اپتیک کوانتومی ارائه می‌کند. این بررسی با مروری بر پیشرفت‌های آینده همکاری امیدوارکننده بین هوش مصنوعی و فوتونیک به پایان می‌رسد.

1. مقدمه

هوش مصنوعی (AI) بدون شک یکی از فعال‌ترین زمینه‌های تحقیقاتی در سال‌های اخیر است که می‌تواند سرمایه‌گذاری‌های بی‌سابقه‌ای را جمع‌آوری کند و اثرات اقتصادی زیادی ایجاد کند.[1] تعریف هوش مصنوعی، درست مانند تعریف هوش، بسیار گسترده است، و در کمال تعجب هنوز هم محل بحث بین کارشناسان است.[2] اجماع عمومی هوش مصنوعی را علمی تعریف می‌کند که سیستم‌ها/ماشین‌هایی مصنوعی را مطالعه می‌کند که رفتار انسان/هوشمند را تقلید می‌کنند. در میان شاخه‌های مختلف هوش مصنوعی، یکی که بیشترین تأثیر را در چندین زمینه مختلف علمی و مهندسی داشت، یادگیری ماشین (ML) است، علمی که به مطالعه نحوه آموزش خودکار رایانه‌ها برای حل وظایف پیچیده از تجزیه و تحلیل داده‌ها می‌پردازد. افزایش اخیر محبوبیت ML مربوط به فرصت های جدیدی است که توسط یادگیری عمیق (DL) باز شده است، روشی که از پیشرفت های قدرت محاسباتی برای حل کارهای بسیار پیچیده مانند بینایی کامپیوتر، تشخیص گفتار و ماشین های خودران استفاده می کند. و هدف آن تقریب توابع انتقال غیرخطی، با استفاده از ماهیت داده محور آنهاست.

فوتونیک یکی از فعال ترین و امیدوارکننده ترین زمینه ها در علم، فناوری و مهندسی است. ترکیبی از تکنیک‌های هوش مصنوعی و فوتونیک منجر به پیشرفت‌های پیشگامانه در بسیاری از کاربردها شده است و فرصت‌های بزرگی را برای هر دو زمینه فراهم می‌کند. در واقع، از یک طرف فوتونیک می تواند برای تولید مجموعه داده های غنی برای وظایف محاسباتی ML مورد استفاده قرار گیرد، از طرف دیگر سیستم های فوتونیک یک پلت فرم جالب برای اجرای هوش مصنوعی هستند. ارتباطات فیبر نوری و پردازش تصویر برای تشخیص پزشکی بوده است.

چندین تکنیک مبتنی بر هوش مصنوعی با هدف بهبود عملکرد سیستم‌های ارتباطی نوری، که عمدتاً بر کنترل و مدیریت دستگاه‌های فوتونیک متمرکز شده‌اند، توسعه یافته‌اند. مقالات تحقیقاتی و بررسی های زیادی در این زمینه منتشر شده است.[5-10] Mata et al.[5] پیاده سازی های مختلف هوش مصنوعی در ارتباطات شبکه های نوری را بررسی کرد. برخی از تکنیک‌ها می‌توانند به بهبود پیکربندی و عملکرد دستگاه‌های شبکه کمک کنند، برخی دیگر برای نظارت بر عملکرد نوری، تشخیص فرمت مدولاسیون یا کاهش غیرخطی‌های فیبر و کیفیت تخمین انتقال استفاده می‌شوند. در مورد یکسان سازی اعوجاج جبهه موج غیرخطی در ارتباطات نوری، سهم مربوطه توسط کارهای گروه ناکامورا ارائه شده است. آنها یک مدل شبکه عصبی (NN) را پیشنهاد کردند که دارای یک لایه پنهان تنها برای جبران اعوجاج مدولاسیون خود فاز در سیگنال‌های چند سطحی نوری است.[11] جالب توجه است که آنها تأثیر اندازه لایه پنهان را بر روی کار تساوی غیرخطی بررسی کردند. همانطور که توان ورودی افزایش می یابد و اثر مدولاسیون خود فاز سیگنال های ارسالی را به شدت تحریف می کند، تعداد بیشتری از نورون های لایه پنهان برای جبران کارآمد ارتباطات نوری مورد نیاز است. مطالعات بیشتر آنها نشان داد که چگونه یک اکولایزر غیرخطی NN چهار لایه نسبت به مدل سه لایه NN مستعد بیش‌برازش است [12] و چگونه سیگنال‌های مدولاسیون دامنه پالس 4 سطحی به شدت زیاد برازش اکولایزر NN را که معمولاً در مورد سیگنال های باینری شبه تصادفی.[13] جی و همکاران [6] یک معماری چندوظیفه‌ای جدید پیشنهاد کرد که قادر به مدیریت چندین جنبه از مدیریت شبکه‌های نوری است و از تکنیک‌های هوش مصنوعی برای تولید عملیات‌های خودسازگار و خود مدیریتی استفاده می‌کند. شبکه‌های نوری به دلیل استفاده از تکنیک‌های منسجم پیشرفته، پویایی، پیچیدگی و ناهمگونی بسیار زیادی دارند، به طوری که هوش مصنوعی ابزاری اساسی برای مدیریت آنها است. وانگ و زانگ [7] بر روی الگوریتم های پیشرفته DL تمرکز کردند و سهم DL را در ارتباطات نوری برجسته کردند. به طور خاص، آنها چندین کاربرد DL را در ارتباطات نوری، مانند شبکه‌های عصبی کانولوشنال (CNN) برای بازسازی تصویر و شبکه‌های عصبی مکرر (RNN) برای تجزیه و تحلیل داده‌های متوالی بررسی کردند. علاوه بر این، آنها یک روش مدل‌سازی کانال مبتنی بر داده را برای جایگزینی رویکرد مبتنی بر بلوک مرسوم و بهبود یادگیری انتها به انتها معرفی کردند.

گروه آموزشی مهندس شکوفه ساتری

  کاربردهای لیزر در آب

کاربردهای لیزر در پتروشیمی

کاربردهای لیزر در صنعت خودرو

کاربردهای لیزر در محیط زیست