DOI: https://doi.org/10.1038/s41467-025-56522-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39910048
تاريخ النشر: 2025-02-05
المؤلف: Hanqian Tu وآخرون
الموضوع الرئيسي: الليزر العشوائي ووسائط التشتت
نظرة عامة
تناقش هذه الفقرة قيود التعلم الخاضع للإشراف التقليدي في الشبكات العصبية العميقة (DNNs)، خاصة في السيناريوهات التي تكون فيها الحلول التحليلية غير متاحة، مثل أنظمة تشتت الموجات. لمواجهة هذا التحدي، يقدم المؤلفون مفهوم الشبكة العصبية التجريبية العميقة (DENN)، التي تجمع بين التعلم العميق والنمذجة التجريبية. تتيح هذه الطريقة المبتكرة استرجاع الطور البصري من خلال وسائط تشتت غير شفافة دون الحاجة إلى بيانات موسومة، محققة تحسينًا ملحوظًا بنسبة 58% في الدقة مقارنة بأساليب التعلم الخاضع للإشراف التقليدية التي تعتمد على أزواج بيانات واسعة النطاق.
تمثل DENN تقدمًا كبيرًا في تطبيق التعلم العميق عبر مجالات علمية متنوعة، بما في ذلك الفيزياء وعلم الأحياء والكيمياء. بينما تتطلب الشبكات العصبية العميقة التقليدية مجموعات بيانات موسومة كبيرة للتدريب، فإن اعتماد DENN على النماذج التجريبية يمكّنها من العمل بفعالية في السيناريوهات غير المدربة. لا يخفف هذا النموذج الهجين من عبء البيانات فحسب، بل يفتح أيضًا آفاقًا جديدة لحل المشكلات العكسية في مجالات متنوعة، مما يعزز من إمكانيات تقنيات التعلم العميق في البحث العلمي والتطبيقات.
طرق
تستعرض هذه الفقرة الطرق المستخدمة لتقييم أداء الشبكة العصبية التجريبية العميقة (DENN) المقترحة من خلال كل من المحاكاة والتحقق التجريبي. في البداية، يتم معايرة ألياف متعددة الأوضاع (MMF) بطول 10 م باستخدام مصفوفة نقل تجريبية (TM)، وهي ضرورية لتحديث DENN أثناء المحاكاة. تركز الدراسة على استرجاع الطور بناءً على قياسات الشدة، مع تقييد تعديل الطور ضمن نطاق من 0 إلى $\pi$ لتجنب الحلول المتعددة. تُظهر DENN قدرة متفوقة في استرجاع المعلومات المعقدة المشفرة في الطور من صور المشاهد الطبيعية (بدقة 64 × 64) دون الحاجة إلى بيانات موسومة، محققة معامل ارتباط بيرسون (PCC) ومقياس تشابه الهيكل (SSIM) يصل إلى 0.98 و0.91، على التوالي، عند مقارنتها بالصور الأصلية.
تؤكد النتائج التجريبية ما تم التوصل إليه في المحاكاة، حيث حققت DENN دقة استرجاع تبلغ PCC/SSIM: 0.96/0.85، متجاوزة أساليب التعلم الخاضع للإشراف التقليدية التي تعتمد على مجموعات بيانات موسومة واسعة النطاق. تستكشف الدراسة أيضًا أداء DENN مع بيانات ثنائية عشوائية غير مترابطة، محققة دقة 100% في المحاكاة و98.19% في التجارب. تُعزى الفروقات الطفيفة في الدقة والدقة بين نتائج المحاكاة والتجارب إلى الظروف المثالية في المحاكاة. علاوة على ذلك، يتأثر الأداء بالنسبة $\gamma$ بين دقة نمط التشتت والمعلومات المشفرة في الطور، بالإضافة إلى اختيار دالة الخسارة، حيث تم تحديد خسارة SSIM كأكثر فعالية في تعزيز دقة الاسترجاع. تتضمن إعدادات التجربة لمعايرة TM التجريبية ليزرًا مستمرًا وجهاز مرآة ميكروية رقمية (DMD)، مع استخدام طريقة تغيير الطور ذات الأربع خطوات للمعايرة.
نتائج
تقدم فقرة “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من البيانات التجريبية. تكشف التحليلات عن ارتباطات كبيرة بين المتغيرات قيد الدراسة، حيث تشير الاختبارات الإحصائية إلى قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تُظهر البيانات اتجاهًا واضحًا في العلاقة بين المتغيرات المستقلة والتابعة، مما يدعم الفرضيات الأولية المطروحة في البحث.
علاوة على ذلك، توضح التمثيلات البيانية للنتائج، مثل مخططات التشتت وخطوط الانحدار، قوة واتجاه هذه العلاقات. تسهم النتائج في تعزيز المعرفة الحالية من خلال تقديم أدلة تجريبية تعزز الأطر النظرية التي تم تأسيسها سابقًا في الأدبيات. بشكل عام، تؤكد النتائج على أهمية المتغيرات المدروسة وآثارها على الأبحاث المستقبلية والتطبيقات العملية.
مناقشة
تقدم البحث شبكة عصبية تجريبية عميقة (DENN) مصممة لاسترجاع الطور البصري من خلال وسائط غير شفافة، مثل الألياف متعددة الأوضاع (MMFs) والزجاج المعتم. على عكس الشبكات العصبية العميقة الخاضعة للإشراف التقليدي (DNNs)، التي تتطلب مجموعات بيانات موسومة واسعة النطاق للتدريب، تستخدم DENN نهجًا هجينًا يدمج مصفوفة نقل تجريبية (TM) مع شبكة عصبية تلافيفية (convnet). يتيح ذلك لـ DENN استرجاع المعلومات المشفرة في الطور من نمط تشتت واحد دون الحاجة إلى بيانات حقيقية، مما يقلل بشكل كبير من الوقت والجهد المطلوبين لجمع البيانات. تعمل مصفوفة النقل التجريبية كطبقة ثابتة داخل الشبكة، مما يلتقط بشكل فعال خصائص التشتت للوسيط ويسهل عملية الاسترجاع.
تمت مقارنة أداء DENN كميًا بأداء DNN خاضع للإشراف عبر مجموعات بيانات متنوعة، مما يظهر دقة متفوقة في استرجاع الطور – تحسين يزيد عن 58% في مقياس تشابه الهيكل (SSIM) مقارنة بأفضل نموذج خاضع للإشراف. تم أيضًا تسليط الضوء على قدرة DENN على مقاومة الضوضاء ومرونتها مع وسائط التشتت المختلفة، مما يشير إلى إمكانياتها للتطبيقات في الاتصالات البصرية والقياسات. قد تتضمن الأعمال المستقبلية تحسين مصفوفة النقل التجريبية ودمج تقنيات التعلم الذاتي لتعزيز دقة وكفاءة الاسترجاع بشكل أكبر. بشكل عام، تمثل DENN تقدمًا كبيرًا في مجال استرجاع الطور البصري، مما يمكّن من تحقيق نتائج عالية الدقة مع متطلبات بيانات قليلة.
DOI: https://doi.org/10.1038/s41467-025-56522-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39910048
Publication Date: 2025-02-05
Author(s): Hanqian Tu et al.
Primary Topic: Random lasers and scattering media
Overview
The section discusses the limitations of traditional supervised learning in deep neural networks (DNNs), particularly in scenarios where analytical solutions are unavailable, such as in wave scattering systems. To address this challenge, the authors introduce the concept of a Deep Empirical Neural Network (DENN), which combines deep learning with empirical modeling. This innovative approach allows for optical phase retrieval through opaque scattering media without the need for labeled data, achieving a notable 58% improvement in fidelity compared to conventional supervised learning methods that rely on extensive data pairs.
The DENN represents a significant advancement in the application of deep learning across various scientific fields, including physics, biology, and chemistry. While traditional DNNs require large-scale labeled datasets for training, the DENN’s reliance on empirical models enables it to function effectively in untrained scenarios. This hybrid model not only alleviates the data burden but also opens new avenues for solving inverse problems in diverse domains, thereby enhancing the potential of deep learning technologies in scientific research and applications.
Methods
The section outlines the methods employed to evaluate the performance of the proposed Deep Echo Neural Network (DENN) through both simulations and experimental validation. Initially, a 10 m multimode fiber (MMF) is calibrated using an empirical transmission matrix (TM), which is crucial for updating the DENN during simulations. The study focuses on phase retrieval based on intensity measurements, with phase modulation constrained to a range of 0 to $\pi$ to avoid multiple solutions. The DENN demonstrates superior capability in retrieving complex phase-encoded information from natural scene images (64 × 64 resolution) without requiring labeled data, achieving a Pearson correlation coefficient (PCC) and structural similarity index measure (SSIM) of up to 0.98 and 0.91, respectively, when compared to the original images.
Experimental results corroborate the simulation findings, with the DENN achieving a retrieval fidelity of PCC/SSIM: 0.96/0.85, surpassing conventional supervised learning methods that rely on extensive labeled datasets. The study also explores the performance of the DENN with uncorrelated random binary data, achieving 100% accuracy in simulations and 98.19% in experiments. The slight discrepancies in fidelity and accuracy between simulation and experimental results are attributed to the ideal conditions in simulations. Furthermore, the performance is influenced by the ratio $\gamma$ between the resolutions of the speckle pattern and phase-encoded information, as well as the choice of loss function, with SSIM loss being identified as particularly effective for enhancing retrieval accuracy. The experimental setup for calibrating the empirical TM involves a continuous wave laser and a digital micromirror device (DMD), with a four-step phase shift method employed for calibration.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental data. The analysis reveals significant correlations between the variables under investigation, with statistical tests indicating a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the data demonstrates a clear trend in the relationship between the independent and dependent variables, which supports the initial hypotheses posited in the research.
Furthermore, graphical representations of the results, such as scatter plots and regression lines, illustrate the strength and direction of these relationships. The findings contribute to the existing body of knowledge by providing empirical evidence that reinforces theoretical frameworks previously established in the literature. Overall, the results underscore the importance of the studied variables and their implications for future research and practical applications.
Discussion
The research introduces a Deep Empirical Neural Network (DENN) designed for optical phase retrieval through opaque media, such as multimode fibers (MMFs) and ground glass. Unlike conventional supervised deep neural networks (DNNs), which require extensive labeled datasets for training, the DENN utilizes a hybrid approach that integrates an empirical transfer matrix (TM) with a convolutional neural network (convnet). This allows the DENN to retrieve phase-encoded information from a single speckle pattern without needing ground truth data, significantly reducing the time and effort required for data collection. The empirical TM acts as a fixed layer within the network, effectively capturing the scattering characteristics of the medium and facilitating the retrieval process.
The performance of the DENN was quantitatively compared to that of a supervised DNN across various datasets, demonstrating superior fidelity in phase retrieval—over 58% improvement in structural similarity index (SSIM) compared to the best-performing supervised model. The DENN’s robustness to noise and its adaptability to different scattering media were also highlighted, indicating its potential for applications in optical communication and metrology. Future work may involve refining the empirical TM and integrating self-supervised learning techniques to further enhance retrieval accuracy and efficiency. Overall, the DENN represents a significant advancement in the field of optical phase retrieval, enabling high-fidelity results with minimal data requirements.