构造光通过整合空间维度和多个自由度，具有极大地增加信息容量的潜力。
最近，构造光模式与图像处理和人工智能的领悟，在通信和检测等领域显示出强大的发展潜力。

构造光场最显著的特色之一是其振幅信息的二维和三维分布。
这一特性可以与成熟的图像处理技能有效领悟，也可以借助目前正在推动深刻变革的机器学习技能实现跨媒体信息传输。
基于相关叠加态的繁芜构造光场，可以携带丰富的空间振幅信息。
通过进一步结合空间非线性转换，可以实现信息容量的显著增加。

来自北京理工大学的张子龙和来自南洋理工大学的沈义杰及其团队成员，提出了一种基于复模相关叠加态及其空间非线性转换的增强信息容量的新方法。
他们通过领悟机器视觉和深度学习技能，实现了低误码率的大角度点对多点信息传输。

在该模型中，利用高斯光束通过空间光调制器实现构造光的空间非线性转换。
卷积神经网络（CNN）用于识别光束的强度分布。
通过对基本叠加模式和SNC模式的比较创造，随着基本叠加模式组成特色模阶数的增加，HG叠加模式的编码能力明显优于LG模式，且空间构造非线性转换后的模式编码能力可以得到显著提高。

编码和解码性能的验证

为了验证基于上述模型的编码和解码性能，传输了一幅50×50像素的彩色图像。
图像的RGB维度被划分为5个色度级别，统共包含125种色度信息，每种色度信息由125个HG相关叠加态编码。
此外，通过DMD空间光调制器将大气湍流引起的不同程度的相位抖动加载到这125个模式上，并用深度学习技能进行演习以形成数据集。

进一步利用非线性转换，实现了对更高容量解码效果的剖析，个中选择了530个SNC模式，通过卷积神经网络对这些模式的稠浊矩阵进行实验丈量，如上图所示。
实验结果表明，由于构造特色更加明显，SNC模式仍旧可以确保类似的低误码率，同时显著提高数据容量，数据识别准确率高达99.5%。
此外，该实验还验证了机器视觉在漫反射条件下的模式识别能力，实现了多个吸收摄像头同时进行高精度解码，不雅观测角度可达70°。

如果朋友们喜好，敬请关注“知新明晰”！