全息数据存储系统具有传输速率高、存储密度高和存储寿命长的优点,在数据爆炸式增长的当下具有广阔的发展前景。振幅调制的全息数据存储系统使用数字微反射镜阵列(DMD)进行振幅调制,能够实现数据的超高速刷新,在实际应用中具有优势。但是由于光学系统的像差、成像器件的强度响应和存储介质的均匀性等因素导致,直接读取的振幅编码信息容易产生较高的误码率,降低数据读取的准确性和可靠性。 本研究使用的振幅调制同轴全息数据存储系统如图1所示。光束被DMD调制后的编码信息记录在全息存储介质中。再现时产生的衍射信息被探测器捕获。数据处理流程如图2所示,我们使用卷积神经网络对探测器捕获的数据进行降噪处理,探究神经网络的抗噪特性。 |
图1. 振幅调制同轴全息数据存储系统 |
图2. 神经网络降噪处理流程 |
神经网络抗噪特性实验结果如图3所示。对比使用神经网络降噪前后的数据重建效果,神经网络有效地校正了系统成像像差、探测器光强响应、全息存储介质响应不均匀性。重建编码数据页的误码率可以降低到直接检测的1/10,而信噪比可以提高五倍以上。 |
图3 神经网络降噪前后数据对比。图(a)表示直接探测的重建结果, 图(b)表示神经网络降噪后的重建结果。 |
此外,本研究还对记录物镜的离焦影响进行了研究。如图4所示,随着物镜离焦距离的增加,系统的误码率随之增加而信噪比随之降低。同样我们使用卷积神经网络对物镜离焦产生的影响进行了校正,并对离焦噪声的兼容性进行了探究。离焦噪声兼容性探究实验结果如图5所示。实验结果表明,离焦噪声具有明显的向下兼容的特性,即在100 μm的离焦范围内,仅需要离焦100 μm数据优化的网络模型即可对离焦100 μm以内的离焦噪声进行校正。这不仅能够提高网络模型的实际使用性,也能够对后续的数据采集进行指导。 |
图4. 系统误码率和信噪比随离焦距离增加的变化 |
图5. 两种神经网络模型重建结果的比较。(a) 离焦距离为0 μm的神经网络在不同离焦条件下(蓝色虚线)校正离焦噪声。(b) 离焦距离为100μm的神经网络在不同的离焦条件下(绿色虚线)校正离焦噪声。 |
本研究使用深度学习提出了调幅共线全息数据存储中的抗噪声性能分析。通过端到端神经网络去噪重建的编码数据页的误码率可以降低到直接读取时观察到的误码率的十分之一,而信噪比可以提高到直接读取的五倍以上。这提高了振幅全息数据存储系统中数据读取的准确性和可靠性。 |
上述研究成果以“Anti-noise performance analysis in amplitude-modulated collinear holographic data storage using deep learning”为题,整理发表在美国光学学会 (The Optical Society of American, OPTICA) 期刊杂志 Optics Express, Vol.32, No.17, 29666-29677 (2024) 上。 论文的相关链接:https://doi.org/10.1364/OE.532825 |