基于机器学习的高效分选大拓扑电荷轨道角动量态及其未知叠加态
光学
2021-12-01 v1 无序系统与神经网络
量子物理
摘要
携带轨道角动量（OAM）的光束因其无界态空间在光学操纵与通信中起重要作用。然而，高效判别具有大拓扑电荷的 OAM 模式仍具挑战，故通常仅使用一小部分 OAM 态。本文中，我们展示可训练神经网络来分选具有大拓扑电荷及未知叠加态的 OAM 模式。以仿真与实验中泛化的 OAM 模式强度图像作为输入数据，我们说明所提神经网络具有强大泛化能力，能以高准确率识别训练区域外的大拓扑电荷 OAM 模式。此外，训练后的神经网络可正确分类并预测具有随机拓扑电荷的两个 OAM 模式的任意叠加态。我们的机器学习方法仅需少量实验样本并显著降低了实验成本，这为研究 OAM 物理及在实际应用扩展 OAM 光束态空间铺平了道路。
引用
@article{arxiv.2105.13621,
title = {Efficient sorting of orbital-angular-momentum states with large topological charges and their unknown superpositions via machine learning},
author = {Ling-Feng Zhang and Ya-Yi Lin and Zhen-Yue She and Zhi-Hao Huang and Jia-Zhen Li and Hui Yan and Wei Huang and Dan-Wei Zhang and Shi-Liang Zhu},
journal= {arXiv preprint arXiv:2105.13621},
year = {2021}
}
备注
6+3 pages, 5+3 figures