Informationserfassung mit einem Klick: Ist der hochdimensionale Lichtfelddetektor so leistungsstark?

Produziert von: Science Popularization China

Autor: Cai Mingxuan (Changchun Institut für Optik, Feinmechanik und Physik, Chinesische Akademie der Wissenschaften)

Hersteller: China Science Expo

Anmerkung des Herausgebers: Um das Geheimnis der wissenschaftlichen und technologischen Arbeit zu lüften, hat Chinas Spitzentechnologieprojekt eine Artikelserie mit dem Titel „Ich und meine Forschung“ gestartet und Wissenschaftler dazu eingeladen, eigene Artikel zu schreiben, ihre wissenschaftlichen Forschungserfahrungen zu teilen und eine wissenschaftliche Welt zu schaffen. Folgen wir den Entdeckern an der Spitze von Wissenschaft und Technologie und begeben wir uns auf eine Reise voller Leidenschaft, Herausforderungen und Überraschungen.

Mit der rasanten Entwicklung der Informationstechnologie hat die Bedeutung der Lichtfeldsensortechnologie in verschiedenen Bereichen immer mehr zugenommen. Das Lichtfeld enthält nicht nur die Lichtintensität, sondern auch mehrdimensionale Informationen wie Polarisation, Frequenz und Phase. Diese Informationen sind von entscheidender Bedeutung für die Aufdeckung der Zusammensetzung und Oberflächenmorphologie von Substanzen und haben einen breiten Anwendungswert in der optischen Kommunikation, Fernerkundung, industriellen Erkennung, medizinischen Diagnose, chemischen Analyse und im Umweltschutz.

Spektral- und Polarisationsdetektion

Die wichtigsten Mittel zur Gewinnung wichtiger Informationen sind die Spektraldetektion und die Polarisationsdetektion. Bei der spektralen Detektion werden Informationen durch die Analyse der verschiedenen Wellenlängenkomponenten des Lichts gewonnen. Es handelt sich um ein Verteilungsdiagramm des Lichts, nachdem es nach Wellenlänge oder Frequenz zerlegt wurde. Da jede Substanz unterschiedliche Absorptions- und Reflexionseigenschaften für Licht bei unterschiedlichen Wellenlängen aufweist, ist das Spektrum wie ein „Personalausweis“, der wichtige Informationen enthält. Durch die Analyse der spektralen Eigenschaften können wir detaillierte Informationen über die Substanz erhalten.

Beispielsweise können wir den Gesundheitszustand von Pflanzen bestimmen, indem wir das von den Pflanzen reflektierte Spektrum analysieren. Analysieren Sie das Spektrum des Sternenlichts, um die chemische Zusammensetzung und Bewegung von Sternen zu verstehen. und in der Chemie kann durch die Analyse des Spektrums die Konzentration verschiedener chemischer Komponenten in der Lösung bestimmt werden.

Der Polarisationszustand des Lichts bezieht sich auf die Richtung der Lichtwellenschwingung. Durch die Analyse der Richtung der Lichtwellenschwingung können Informationen wie die Oberflächenmorphologie, die Molekularstruktur und die Spannungsverteilung eines Objekts ans Licht gebracht werden. Die Polarisation des Lichts ist eine Vektoreigenschaft. Wenn Licht durch verschiedene Medien geht, ändert sich sein Polarisationszustand.

Das menschliche Auge kann die Intensität, Farbe (Wellenlänge) und Phaseninformationen des Lichts direkt oder indirekt beobachten, kann jedoch den Polarisationszustand des Lichts nicht wahrnehmen. Daher begann die Erforschung und Anwendung der Polarisationsoptik später und ist komplizierter.

Die Polarisationserkennung kann in mehreren Bereichen angewendet werden: Im Bereich der industriellen Inspektion kann die Polarisationserkennung winzige Risse oder andere Defekte auf der Metalloberfläche erkennen und so die Qualität und Zuverlässigkeit des Produkts sicherstellen; Im Bereich der Fernerkundung können durch die Analyse des Polarisationszustands des von der Oberfläche reflektierten Lichts verschiedene Vegetations- und Bodenarten unterschieden und sogar Umweltprobleme wie Ölverschmutzung erkannt werden. Dadurch werden umfassendere Informationen als durch herkömmliche Fernerkundung bereitgestellt, was für die Umweltüberwachung und das Management natürlicher Ressourcen hilfreich ist. Im Bereich der Biomedizin können mithilfe der Polarisationsmikroskopie strukturelle Veränderungen in Zellen und Geweben beobachtet werden, was Ärzten dabei hilft, genauere Diagnosen zu stellen.

Probleme und Einschränkungen herkömmlicher Detektoren

Vorhandene Polarisations- und Spektraldetektoren können normalerweise nur Polarisationsinformationen bei einer festen Wellenlänge oder Spektralinformationen bei einem festen Polarisationszustand erfassen. In vielen Szenen in der Natur können Lichtfelder jedoch über einen weiten Spektralbereich beliebige Polarisations- und Intensitätsschwankungen aufweisen.

Bei den vorhandenen Polarisations- und Spektraldetektoren gibt es zwei Hauptprobleme: Erstens ist ihre Detektionsleistung proportional zur benötigten Zeit oder zum benötigten Platz. zweitens können sie hochdimensionale Lichtfeldinformationen mit beliebig variierender Polarisation und Intensität über einen weiten Spektralbereich nicht genau erfassen.

Um die oben genannten Probleme zu lösen, haben das Team um Forscher Li Wei vom Changchun-Institut für Optik, Feinmechanik und Physik der Chinesischen Akademie der Wissenschaften und das Team um Professor Qiu Chengwei von der National University of Singapore zusammengearbeitet, um einen hochdimensionalen Lichtfelddetektor auf Basis dispersiver Oberflächen zu entwickeln.

Dieser neue Detektor ermöglicht die umfassende Charakterisierung hochdimensionaler Lichtfelder mit beliebig variierender Polarisation und Intensität über einen breiten Spektralbereich mit einem einzigen Gerät und in einer einzigen Messung. Diese bahnbrechende Forschung verbessert die Erkennungsfähigkeit von Lichtfeldinformationen erheblich, steigert die Flexibilität und Effizienz der Erkennung erheblich und eröffnet eine neue Perspektive für die hochdimensionale Lichtfelderkennung.

Schematische Darstellung des Vergleichs mit herkömmlichen Lichterkennungsmethoden

(Bildquelle: Dispersionsunterstützter hochdimensionaler Fotodetektor)

Entwicklung hochdimensionaler Lichtfelddetektoren

Die Kerninnovation dieser Forschung besteht darin, einfache Dünnschichtschnittstellen und die Eigenschaften der räumlichen Dispersion und Frequenzdispersion zu verwenden, um die hochdimensionalen Informationen des Lichts in den Wellenvektorraum zu projizieren. Dieses Design vereinfacht nicht nur die komplexe Struktur herkömmlicher Spektral- und Polarisationsdetektoren, sondern verbessert auch die Erkennungseffizienz und -genauigkeit erheblich.

Zunächst ist es wichtig zu verstehen, dass eine Dünnschichtschnittstelle ein Übergang zwischen zwei Materialien mit unterschiedlichen Brechungsindizes ist. Es ist wie eine „Sortierstation“ für Licht . Wenn Licht durch diese Schnittstellen fällt, ändern sich aufgrund der unterschiedlichen Brechungsindizes die Richtung und Geschwindigkeit der Lichtausbreitung, was zu Brechung und Reflexion führt. Dies führt dazu, dass Licht unterschiedlicher Wellenlängen und Polarisationszustände unterschiedlich beeinflusst wird.

Beispielsweise können einige Wellenlängen des Lichts an der Schnittstelle stark reflektiert werden, während andere Wellenlängen des Lichts sich weiter durch die Schnittstelle ausbreiten können. Durch die gezielte Entwicklung der Filmdicke und der Materialkombination gelang es dem Forschungsteam, eine Empfindlichkeit sowohl gegenüber der Frequenz als auch gegenüber der Polarisation des Lichts im Wellenvektorraum zu erreichen.

Bei der Auswahl von Membranmaterialien und -strukturen kommt die Magie der Materialien ins Spiel. Als Hauptmaterialien wählte das Forschungsteam Titandioxid (TiO₂) und Siliziumdioxid (SiO₂), zwei Materialien mit „hoher Transmission“ im sichtbaren Lichtband. Eine hohe Durchlässigkeit bedeutet, dass das Licht beim Durchgang durch diese Materialien eine hohe Energieübertragungseffizienz aufrechterhalten kann, wodurch die Empfindlichkeit und Genauigkeit des Detektors verbessert wird. Darüber hinaus ermöglichen die optischen Eigenschaften dieser Materialien die Erzeugung der gewünschten Streu- und Brechungseffekte bei unterschiedlichen Wellenlängen und Polarisationszuständen, wodurch eine effiziente Kodierung der Lichtfeldinformationen erreicht wird.

Diese Empfindlichkeit gegenüber der Frequenz und Polarisation des Lichts kann leicht konstruiert und resonant verstärkt werden. Um dies zu demonstrieren, konstruierte das Forschungsteam eine Fabry-Pérot-Höhle. Der Fabry-Pérot-Hohlraum besteht aus zwei zueinander parallelen und hochreflektierenden Spiegeln. Dabei werden Mehrfachreflexionen des Lichts im Hohlraum genutzt, sodass Licht unterschiedlicher Wellenlängen und Polarisationszustände unterschiedliche Interferenzeffekte erfährt und dadurch spezifische Übertragungseigenschaften im Hohlraum erzeugt werden. Auf diese Weise wird die Empfindlichkeit gegenüber der Frequenz und Polarisation des Lichts weiter erhöht.

Schematische Darstellung einer einzelnen hochdimensionalen Detektionsmethode

(Bildquelle: Dispersionsunterstützter hochdimensionaler Fotodetektor)

Darüber hinaus gelang es dem Forschungsteam durch das Stapeln mehrschichtiger Dünnfilmstrukturen auf beiden Seiten nicht nur eine breitbandige Spektralerkennung, sondern auch eine vollständige Stokes-Polarisationserkennung. Die vollständige Stokes-Polarisationsdetektion ist eine fortschrittliche optische Charakterisierungstechnik, mit der alle vier Stokes-Parameter (S₀, S₁, S₂, S₃), die den Polarisationszustand des Lichts beschreiben, gleichzeitig gemessen werden können und so vollständige Informationen zu den Polarisationseigenschaften des Lichts bereitgestellt werden.

Diese vier Parameter stellen die Gesamtintensität des Lichts, die Differenz zwischen den linear polarisierten Lichtintensitäten in horizontaler/vertikaler Richtung und in +45°/-45°-Richtung sowie die Differenz zwischen den links-/rechtshändig zirkular polarisierten Lichtintensitäten dar. Herkömmliche Methoden zur Polarisationserkennung können normalerweise nur ein oder zwei Parameter messen, was es schwierig macht, den Polarisationszustand des Lichts vollständig zu charakterisieren.

Um nützliche Informationen aus komplexen Lichtfelddaten zu extrahieren, verwendete das Forschungsteam zur Dekodierung ein tiefes Residualnetzwerk (ResNet). ResNet ist eine gängige neuronale Netzwerkarchitektur. Sie können sich ResNet als Abkürzungen in einem komplexen Labyrinth vorstellen. Diese Abkürzungen helfen dem Modell, den Ausgang, also die nützlichen Informationen in den Daten, schneller zu finden, sodass das Netzwerk gründlicher und effizienter trainiert werden kann.

Im Vergleich zu anderen neuronalen Netzwerkstrukturen weist ResNet einen besseren Lerneffekt und eine kürzere Trainingszeit auf und kann hochdimensionale Matrixdaten effizient verarbeiten.

Wenn Licht durch die entworfene Dünnschichtschnittstelle und Hohlraumstruktur fällt, werden die Polarisations- und Spektralinformationen des Lichts in komplexe zweidimensionale Transmissionsverteilungsinformationen kodiert. Diese Informationen werden von einer hochauflösenden Kamera aufgezeichnet und in ein vortrainiertes ResNet-Modell eingespeist.

Da komplexe Polarisations- und Spektralinformationen gleichzeitig kodiert werden und im Experiment zusätzliches Systemrauschen auftritt, können andere im Frühstadium verwendete Methoden zur Informationsextraktion nur die Extraktion und Analyse linearer Polarisationszustände realisieren. Durch Tests stellte das Forschungsteam schließlich fest, dass das ResNet-Modell erfolgreich hochdimensionale Informationen extrahieren kann.

Erreichen Sie eine effizientere und genauere Lichtfelderkennung

Um den tatsächlichen Detektionseffekt des hochdimensionalen Lichtfelddetektors zu überprüfen, wählte das Forschungsteam zwei typische hochdimensionale Lichtfelder für experimentelle Tests aus: eines ist das zweifarbige Dualpolarisationslaserfeld und das andere ist das reflektierte Lichtfeld, das durch die Bestrahlung der Goldoberfläche mit Breitbandlicht erzeugt wird. Diese beiden Lichtfelder verfügen über komplexe Polarisations- und Spektralinformationen und eignen sich ideal zur Überprüfung der Detektorleistung.

In diesen Experimenten zeigte das Forschungsteam, dass der entwickelte hochdimensionale Lichtfelddetektor die Informationen dieser komplexen Lichtfelder mit einer einzigen Messung genau erfassen kann.

Beispielsweise kann der Detektor beim Test von zweifarbigen Dualpolarisationslaserfeldern gleichzeitig Lichtfeldinformationen von zwei verschiedenen Wellenlängen und Polarisationszuständen erfassen und deren spektrale und Polarisationseigenschaften genau wiederherstellen. Im Breitband-Lichtreflexionsexperiment erfasste der Detektor auch erfolgreich die Änderungen der Intensität und des Polarisationszustands jeder Wellenlänge im reflektierten Lichtfeld und beschrieb so die Lichtfeldinformationen umfassender.

Um die Integration und Benutzerfreundlichkeit des Detektors weiter zu demonstrieren, kombinierte das Forschungsteam den Film mit einem Mikrolinsenarray und einem großflächigen Bildsensorarray in einer „Sandwich“-Bauweise, um einen ultraintegrierten hochdimensionalen Lichtfeldbildgeber zu entwickeln, der keine Ausrichtung erfordert und Einzelschussmessungen durchführen kann.

Der Bildgeber kann in einer einzigen Abbildung gleichzeitig die Polarisations- und Spektralinformationen des Ziels erfassen und so eine hochpräzise und hochdimensionale Abbildung erreichen. Dieses Design reduziert nicht nur die Komplexität des Versuchsaufbaus, sondern verbessert auch die Effizienz und Genauigkeit der Erkennung erheblich.

Hochdimensionale Photodetektor- und Imager-Experimente

(Bildquelle: Dispersionsunterstützter hochdimensionaler Fotodetektor)

In der Zukunft plant das Forschungsteam, ähnliche hochdimensionale Erkennungseffekte in anderen Breitbandbereichen zu erzielen und hochdimensionale Erkennungssysteme in praktischen Anwendungen zu erforschen, beispielsweise der hochdimensionalen Erkennung in Außenszenen. Gleichzeitig können Materialsysteme wie Metaoberflächen und zweidimensionale Materialien verwendet werden, um Detektoren weiter zu miniaturisieren und die Menge der erforderlichen Vordaten zu reduzieren, um eine effizientere und genauere Lichtfelderkennung zu erreichen.

Quellen:

1.Fan, Y., Huang, W., Zhu, F. et al. Dispersionsunterstützter hochdimensionaler Fotodetektor. Nature 630, 77–83 (2024).