郝建颖同学在全息存储研究中取得新进展
发表的文章被选为“编辑推荐”论文
全息数据存储是一种三维体存储技术，由于其具有更高的存储密度、更快的数据传输速率和更长的寿命等优势，而成为海量数据存储的有力候选者。与振幅编码全息存储技术相比，相位型全息存储具有更高的编码率和信噪比。然而，用于编码的相位数据不能直接被探测器探测，如何快速准确的从重建光中恢复相位编码信息是当前的研究热点。 郝建颖提出基于深度学习的无透镜非干涉相位重建系统，实现相位数据的快速重建。利用卷积神经网络建立重建光近场衍射图像与相位数据编码页的关系。通过拍摄大量随机数据编码页与对应的近场衍射图像对深度卷积神经网络参数进行训练。训练完成后，对于新的近场衍射强度图像，可以直接预测对应的相位编码数据页。实验系统如图1所示。利用SLM上载随机相位编码数据页，利用CCD拍摄重建光的2mm近场相位衍射图像。 |
|
图1 相位型全息存储及数据解码系统 |
实验采用4灰阶相位编码(0,π/2, π, 3π/2), 采用11%的已知编码数据作为嵌入式数据，嵌入式数据提供强约束条件提高神经网络训练速度以及训练精度。采用Unet神经网络结构描述数据页与强度图关系。数据页以及神经网络结构如图2所示。 |
|
图2 (a) SLM上载4灰阶相位数据编码页，(b) CCD拍摄近场衍射图像，(c) 卷积神经网络架构 |
4灰阶相位编码数据下，采用9000副图像进行训练，1000副图像进行预测，训练过程中，随机选取1副训练图像和测试图像。每训练5轮计算测试图像与训练图像的误码率BER。训练过程如图3所示。图中可以看出，测试集与训练集损失函数随着训练轮数升高逐渐收敛最终接近0. 训练集图像与测试集图像误码率也随着训练轮数升高逐渐降低最终接近0. 说明该模型能够很好的拟合训练数据集中强度图像与相位图像的关系，且能够在测试集泛化。 |
|
图3 神经网络训练过程中损失函数以及误码率变化。黑色代表训练集，红色代表测试集， 曲线代表损失函数MSE变化，数据点代表该训练轮数下，数据解码的误码率。 |
同时，本文研究了深度学习重建方法对系统动态噪声的抑制作用。实验结果如图4所示。图4（a）中按时间拍摄顺序将数据集分为训练集与测试集，利用训练后的神经网络对最后拍摄的1000副测试集数据进行预测并计算误码率BER。 可以看出，随着系统工作时间延长，系统噪声导致的误码率逐渐升高。而图4（b）中通过打乱数据集，测试集误码率最高值由0.75%下降至0.32%，且88%的测试数据误码率都能降低为0. 说明深度学习方法对于系统动态噪声具有很好的抑制作用。 |
|
图4 （a）动态噪声抑制前测试集1000副图像的重建误码率分布， （b）动态噪声抑制后重建误码率噪声分布 |
本文提出了一种基于深度学习和嵌入式数据的全息数据存储无透镜快速相位解码方法，并通过实验验证了其可行性。基于深度学习的相位重建方法不需要迭代，具有更快的传输速率。与传统迭代方法相比，深度学习方法不仅可以通过降低嵌入数据比例将存储密度提高1.78倍，而且检索精度也提高了47倍。同时深度学习方法在实现更高级别的相位编码（8灰阶）方面具有更大的潜力。本文采用的无透镜光学系统相当简单，深度学习相位重建方法对实验系统的误差和随机波动有更高的容忍度非常适合应用于全息数据存储系统。 |
|
以上相关工作以“Lensless phase retrieval based on deep learning used in holographic data storage”为题发表的论文，被光学领域的国际权威期刊杂志《Optics Letters》（IF=3.776）接收。刊登在Optics Letters Vol.46, No.17, 4168-4171 (2021)上，并被选为该期的“编辑推荐（Editor's Pick）”论文。 论文的相关链接：https://doi.org/10.1364/OL.433955 |
|
(2021.07.26)
