Press "Enter" to skip to content

中科大团队使用深度学习增强了里德伯多频微波识别

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

编辑 | 萝卜皮

 

由于多频场在实际应用中的复杂干扰,多频微波(MW)电场的识别具有挑战性。基于里德堡原子的多频 MW 电场测量在 MW 雷达和 MW 通信中很有前景。然而,里德堡原子不仅对 MW 信号敏感,而且对来自原子碰撞和环境的噪声也很敏感,这意味着光原子相互作用的主导 Lindblad 主方程的解因包含噪声和高阶项而变得复杂。

 

在这里,中国科学技术大学的研究团队,通过将里德堡原子与深度学习模型相结合来解决这些问题,证明该模型在不求解主方程的情况下利用了里德堡原子的灵敏度,同时还降低了噪声的影响。作为原理验证演示,深度学习增强的 Rydberg 接收器允许直接解码频分复用信号。这种类型的传感技术有望使基于里德堡的 MW 场传感和通信受益。

 

该研究以「 Deep learning enhanced Rydberg multifrequency microwave recognition 」为题,于 2022 年 4 月 14 日发布在《 Nature Communications 》。

 

 

里德堡原子与微波(MW)场之间的强相互作用源于其高极化率,这意味着里德堡原子是 MW 场测量的候选介质,例如,使用电磁感应吸收、电磁感应透明 (EIT) 和 Autler-Townes 影响。然后可以以高灵敏度测量 MW 场的幅度、相位和频率。基于 MW 场的这种测量灵敏度,里德堡原子已被用于通信和雷达中,作为基于原子的无线电接收器。

 

在通信领域,里德堡原子以优异的性能取代了传统天线,包括亚波长尺寸、高灵敏度、系统国际(SI)可追溯到普朗克常数、高动态范围、自校准和从MHz到THz频率的工作范围。

 

一种应用是模拟通信,例如音频信号的实时记录和重建。另一个应用是数字通信,例如相移键控和正交幅度调制。基于 MW 的通信的信道容量受到标准量子有限相位不确定性的限制。另外,基于里德堡原子实现了连续可调的射频载波,从而为并发多通道通信铺平了道路。多频 MW 场的检测和解码在通信中对于加速信息传输和提高带宽效率非常重要。

 

此外,MW 场识别能够从多普勒效应引起的多频谱中同时检测具有不同速度的多个目标。但是,由于里德堡原子的敏感性,噪声会叠加在消息上,这意味着无法有效地恢复消息。同时,很难对带通滤波器进行概括和缩放,以实现对具有更多载波的多频信号进行解复用。

 

为了解决这些问题,研究人员使用深度学习模型,因为它具有准确的信号预测能力,以及在不使用复杂电路的情况下从噪声数据中识别复杂信息的出色能力。深度学习模型通过反向传播更新权重,然后从大量数据中提取特征,而无需人工干预或物理和实验系统的先验知识。由于这些优势,物理学家构建了复杂的神经网络来完成许多任务,包括远场亚波长声学成像、随机磁场的值估计、涡旋光识别、轨道角动量束的解复用和实验的自动控制。

 

在这里,中国科学技术大学的研究团队展示了一种用于频分复用数字通信的深度学习增强型 Rydberg 接收器。在他们的实验中,深度学习增强的里德堡混频器能够有效地接收和解码多频MW场;这些字段通常难以使用理论方法解码。

 

 

图示:设置说明。(来源:论文)

 

使用深度学习模型,里德堡接收器对环境和原子碰撞引起的噪声具有稳健性,并且不受里德堡原子对高速信号的有限带宽(Δf = 200 kHz)造成的失真的影响。除了提高信号的传输速度外,通过使用更多的 bin 来进一步提高信息传输速率,也是可行的,因为该模型具有可扩展性。

 

除了传输速率之外,这种深度学习增强的里德堡系统有望用于信道容量限制的研究。由于在使用深度学习模型时,由于噪声和失真而导致人类难以识别的光谱是可区分的,因此通过深度学习增强的里德堡系统可以采取措施实现容量限制。为了获得高性能(即高信噪比、信息传输速率、信道容量和精度),必须扩展和扩大训练时期和训练集。

 

 

图示:识别多频新闻和结果的流程图。(来源:论文)

 

总之,该团队展示了使用深度学习增强的里德堡接收器接收和解码多频信号的优势。在多频信号接收器中,不需要使用多个带通滤波器、锁定放大器和其他复杂电路,可以使用极其敏感的里德堡原子和深度学习模型以高速高精度解码信号,而无需求解林德布拉德主方程。

 

使用里德堡原子的优点之一是里德堡原子的精度接近光子散粒噪声极限。原则上,里德堡原子的精度高于经典天线。根据最近基于原子超外差法的工作,可以获得超高灵敏度。然而,在这个原理验证演示中,达到该限制所需的优化空间相当大(例如,激光器的稳定性、缩小激光器线宽和温度稳定性)。

 

 

图示:深度学习方法和主方程拟合方法的损失曲线和混淆图,用于具有 20 个 bin 和频率差 Δf 的 MW。(来源:论文)

 

里德堡原子的敏感性是一把双刃剑,因为它还涉及噪声。深度学习模型限制了这种副作用,同时充分利用了里德堡原子对信号的敏感性。使用神经网络的自动特征提取过程,以监督方式对光谱进行分类。如果手动提取特征(例如平均值、方差、频谱),然后通过无监督学习方法对频谱进行聚类,例如 t 分布随机邻域嵌入 (t-SNE) 或基于密度的噪声应用空间聚类 (DBSCAN) 方法,无需对训练集进行训练。

 

该团队的工作将在高精度信号测量和原子传感器等领域发挥作用。此外,这种解码能力可以进一步推广到解码由不同编码协议编码的其他信号,例如频分复用幅移键控(FDM-ASK)、频分复用正交幅度调制(FDM-QAM)和 IEEE 802.11 用于 5 GHz 载波的交流 WLAN 标准信号。待解码载波的频率范围从几赫兹到太赫兹,因为里德堡原子要接收不同波长的微波,系统中唯一需要调谐的部分是激光器的频率,而在经典接收器中,接收到的微波的波长受天线大小的限制。除了通信之外,他们的接收器还可用于从多普勒效应引起的多频信号中检测多个目标。

 

论文链接: https://www.nature.com/articles/s41467-022-29686-7

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。