izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2025-1-83-89izmertech-2306Research ArticleОПТИКО-ФИЗИЧЕСКИЕ ИЗМЕРЕНИЯOPTICOPHYSICAL MEASUREMENTSХарактеристики временно́й динамики жидкокристаллических пространственно-временны́х модуляторов как ограничение быстродействия перестраиваемых дифракционных нейросетей.Characteristics of temporal dynamics of liquid crystal spatial modulators as a limitation of the performance of tunable diffractive neural networkshttps://orcid.org/0009-0008-4213-9373ВолковА. А.VolkovA. A.

Антон Андреевич Волков

Anton A. Volkov

mr.a.a.volkov@gmail.comhttps://orcid.org/0000-0002-2246-9729МинихановТ. З.MinikhanovT. Z.

Тимур Замирович Миниханов

Timur Z. Minikhanov

minikhanovtz@yandex.ruhttps://orcid.org/0000-0003-1340-7734ЗлоказовЕ. Ю.ZlokazovE. Yu.

Евгений Юрьевич Злоказов

Evgeniy Yu. Zlokazov

ezlokazov@gmail.comhttps://orcid.org/0000-0001-7816-5989ШифринаА. В.ShifrinaA. V.

Анна Владимировна Шифрина

Anna V. Shifrina

avshifrina@gmail.comhttps://orcid.org/0000-0002-6764-7664ПетроваЕ. К.PetrovaE. K.

Елизавета Кирилловна Петрова

Elizaveta K. Petrova

EKPetrova@mephi.ruhttps://orcid.org/0000-0002-7369-1565СтариковР. С.StarikovR. S.

Ростислав Сергеевич Стариков

Rostislav S. Starikov

rstarikov@mail.ruНациональный исследовательский ядерный университет «МИФИ»РоссияNational Research Nuclear University MEPhI (Moscow Engineering Physics Institute)Russian FederationНациональный исследовательский ядерный университет «МИФИ»РоссияE. Yu. ZlokazovRussian Federation2025030420257418389Copyright © Волков А.А., Миниханов Т.З., Злоказов Е.Ю., Шифрина А.В., Петрова Е.К., Стариков Р.С., 20252025Волков А.А., Миниханов Т.З., Злоказов Е.Ю., Шифрина А.В., Петрова Е.К., Стариков Р.С.Volkov A.A., Minikhanov T.Z., Zlokazov E.Y., Shifrina A.V., Petrova E.K., Starikov R.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.izmt.ru/jour/article/view/2306

Жидкокристаллические пространственно-временны́е модуляторы света используются при решении широкого спектра современных задач науки и техники. С помощью данных модуляторов можно управлять амплитудой, фазой и направлением распространения когерентного оптического излучения в оптических системах обработки информации. Однако недостаточно изучено влияние характеристик временно́й динамики жидкокристаллических пространственно-временны́х модуляторов на эксплуатационные характеристики информационных оптических систем, в том числе дифракционных нейронных сетей. Представлены результаты исследования временно́й динамики модуляции фазы жидкокристаллического пространственно-временного модулятора света SLM-200 (Santec, Япония). В ходе экспериментов использованы компьютерно-синтезированные бинарные фазовые дифракционные оптические элементы, измерены характеристики временно́й динамики оптического модулятора: 125 мс – время нарастания дифракционной эффективности при выводе дифракционных оптических элементов на экран; 61,9 мс – время спада при переключении кадров. При данных характеристиках может быть обеспечено формирование переменного оптического поля на частоте отображения кадров 2 Гц с уровнем помехи –17,1 дБ. Увеличение частоты отображения кадров приводит к появлению неустранимых межкадровых помех, что ограничивает эффективное быстродействие информационной системы. Полученные результаты будут полезны при проектировании высокопроизводительных систем оптической обработки информации, дифракционных нейронных сетей

Liquid crystal spatial light modulators are used in a wide range of modern problems in science and technology. These modulators are used to control the amplitude, phase, and direction of propagation of coherent optical radiation in optical information processing systems. However, the influence of the characteristics of the temporal dynamics of liquid crystal spatial light modulators on the performance of information optical systems, including diffractive neural networks, has not been sufficiently studied. The article presents the results of a study of the temporal dynamics of phase modulation of the liquid crystal spatial light modulator SLM-200 (Santec, Japan). Computer-synthesized binary phase diffractive optical elements were used in the experiments, and the characteristics of the temporal dynamics of the optical modulator were measured: 125 ms is the rise time of the diffraction efficiency when displaying diffractive optical elements on the screen; 61.9 ms is the decay time when switching frames. With these characteristics, it is possible to ensure the formation of a variable optical field at a frame display frequency of 2 Hz with an interference level of –17.1 dB. Increasing the frame display frequency leads to the appearance of unavoidable interframe interference, which in turn limits the effective performance of the information system. The results obtained can be useful in designing high-performance optical information processing systems and diffraction neural networks

компьютерная голографияжидкокристаллический пространственно-временно́й модулятор светадифракционные нейронные сетидифракционный оптический элементкогерентный дифракционный процессорcomputer holographyliquid crystal spatial light modulatordiffraction neural networksdiffraction optical elementcoherent diffraction processorРабота выполнена при финансовой поддержке Российского научного фонда (РНФ), грант № 23-12-00336.ReferencesLeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324 (1998). https://doi.org/10.1109/5.726791LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324 (1998). https://doi.org/10.1109/5.726791Malik P., Pathania M., Rathaur V. K. et al. Overview of artificial intelligence in medicine. Medknow, 8, 2328–2331 (2019). https://doi.org/10.4103/jfmpc.jfmpc_440_19Malik P., Pathania M., Rathaur V. K. et al. Overview of artificial intelligence in medicine. Medknow, 8, 2328–2331 (2019). https://doi.org/10.4103/jfmpc.jfmpc_440_19Jiang C., Zhang H., Ren Y. et al. Machine learning paradigms for next-generation wireless networks. IEEE Wireless Communications, 24(2), 98–105 (2017). https://doi.org/10.1109/MWC.2016.1500356WCJiang C., Zhang H., Ren Y. et al. Machine learning paradigms for next-generation wireless networks. IEEE Wireless Communications, 24(2), 98–105 (2017). https://doi.org/10.1109/MWC.2016.1500356WCWei H., Laszewski M., Kehtarnavaz N. Deep learning-based person detection and classification for far field video surveillance. 2018 IEEE 13th Dallas Circuits and Systems Conference (DCAS), 1–4 (2018). https://doi.org/10.1109/DCAS.2018.8620111Wei H., Laszewski M., Kehtarnavaz N. Deep learning-based person detection and classification for far field video surveillance. 2018 IEEE 13th Dallas Circuits and Systems Conference (DCAS), 1–4 (2018). https://doi.org/10.1109/DCAS.2018.8620111Collobert R., Weston J. A unified architecture for natural language processing: Deep neural networks with multitask learning. Proceedings of the 25th international conference on Machine learning, 160–167 (2008). https://doi.org/10.1145/1390156.1390177Collobert R., Weston J. A unified architecture for natural language processing: Deep neural networks with multitask learning. Proceedings of the 25th international conference on Machine learning, 160–167 (2008). https://doi.org/10.1145/1390156.1390177Rymov D., Svistunov A., Starikov R. et al. 3D-CGH-Net: customizable 3D-hologram generation via deep learning. Optics and Lasers in Engineering, 184, 108645 (2025). https://doi.org/10.1016/j.optlaseng.2024.108645Rymov D., Svistunov A., Starikov R. et al. 3D-CGH-Net: customizable 3D-hologram generation via deep learning. Optics and Lasers in Engineering, 184, 108645 (2025). https://doi.org/10.1016/j.optlaseng.2024.108645Kim N. S., Austin T., Baauw D. et al. Leakage current: Moore’s law meets static power. Computer, 36(12), 68–75 (2003). https://doi.org/10.1109/MC.2003.1250885Kim N. S., Austin T., Baauw D. et al. Leakage current: Moore’s law meets static power. Computer, 36(12), 68–75 (2003). https://doi.org/10.1109/MC.2003.1250885Dennard R. H., Gaensslen F. H., Yu H.-N. et al. Design of ion-implanted MOSFET’s with very small physical dimensions. IEEE Journal of solid-state circuits, 9(5), 256–268 (1974). https://doi.org/10.1109/N-SSC.2007.4785543Dennard R. H., Gaensslen F. H., Yu H.-N. et al. Design of ion-implanted MOSFET’s with very small physical dimensions. IEEE Journal of solid-state circuits, 9(5), 256–268 (1974). https://doi.org/10.1109/N-SSC.2007.4785543Hamerly R., Bernstein L., Sludds A. et al. Large-scale optical neural networks based on photoelectric multiplication. Physical Review X, 9(2), 021032 (2019). https://doi.org/10.1103/PhysRevX.9.021032Hamerly R., Bernstein L., Sludds A. et al. Large-scale optical neural networks based on photoelectric multiplication. Physical Review X, 9(2), 021032 (2019). https://doi.org/10.1103/PhysRevX.9.021032Mengu D., Luo Y., Rivenson Y., Ozcan A. Analysis of diffractive optical neural networks and their integration with electronic neural networks. IEEE Journal of Selected Topics in Quantum Electronics, 26(1), 1–14 (2019). https://doi.org/10.1109/JSTQE.2019.2921376Mengu D., Luo Y., Rivenson Y., Ozcan A. Analysis of diffractive optical neural networks and their integration with electronic neural networks. IEEE Journal of Selected Topics in Quantum Electronics, 26(1), 1–14 (2019). https://doi.org/10.1109/JSTQE.2019.2921376Xu R., Lu P., Xu F., Shi Y. A survey of approaches for implementing optical neural networks. Optics & Laser Technology, 136, 106787 (2021). https://doi.org/10.1016/j.optlastec.2020.106787Xu R., Lu P., Xu F., Shi Y. A survey of approaches for implementing optical neural networks. Optics & Laser Technology, 136, 106787 (2021). https://doi.org/10.1016/j.optlastec.2020.106787Миниханов Т., Злоказов Е., Стариков Р., Черёмхин П. Временная динамика модуляции фазы жидкокристаллического пространственно-временного модулятора света. Измерительная техника, 73(12), 35–39 (2024). https://doi.org/10.32446/0368-1025it.2023-12-35-39Minikhanov T. Z., Zlokazov E. Yu., Starikov R. S., Cheremkhin P. A. Phase modulation time dynamics of the liquid crystal spatial light modulator. Measurement Techniques, 66(12), 935–939 (2024). https://doi.org/10.1007/s11018-024-02309-xGoodman J. W., Dias A., Woody L. Fully parallel, high-speed incoherent optical method for performing discrete Fourier transforms. Optics Letters, 2(1), 1–3 (1978). https://doi.org/10.1364/OL.2.000001Goodman J. W., Dias A., Woody L. Fully parallel, high-speed incoherent optical method for performing discrete Fourier transforms. Optics Letters, 2(1), 1–3 (1978). https://doi.org/10.1364/OL.2.000001Dong J., Gigan S., Krzakala F., Wainrib G. Scaling up echo-state networks with multiple light scattering. 2018 IEEE Statistical Signal Processing Workshop (SSP), 448–452 (2018). https://doi.org/10.1109/SSP.2018.8450698Dong J., Gigan S., Krzakala F., Wainrib G. Scaling up echo-state networks with multiple light scattering. 2018 IEEE Statistical Signal Processing Workshop (SSP), 448–452 (2018). https://doi.org/10.1109/SSP.2018.8450698Feldmann J., Youngblood N., Wright C.D., Bhaskaran H., Pernice W.H. All-optical spiking neurosynaptic networks with self-learning capabilities. Nature, 569(7755), 208–214 (2019). https://doi.org/10.1038/s41586-019-1157-8Feldmann J., Youngblood N., Wright C. D., Bhaskaran H., Pernice W.H. All-optical spiking neurosynaptic networks with self-learning capabilities. Nature, 569(7755), 208–214 (2019). https://doi.org/10.1038/s41586-019-1157-8Shen Y., Harris N. C., Skirlo S. et al. Deep learning with coherent nanophotonic circuits. Nature photonics, 11(7), 441– 446 (2017). https://doi.org/10.1038/nphoton.2017.93Shen Y., Harris N. C., Skirlo S. et al. Deep learning with coherent nanophotonic circuits. Nature photonics, 11(7), 441– 446 (2017). https://doi.org/10.1038/nphoton.2017.93Lin X., Rivenson Y., Yardimci N. T. et al. All-optical machine learning using diffractive deep neural networks. Science, 361(6406), 1004–1008 (2018). https://doi.org/10.1126/science.aat8084Lin X., Rivenson Y., Yardimci N. T. et al. All-optical machine learning using diffractive deep neural networks. Science, 361(6406), 1004–1008 (2018). https://doi.org/10.1126/science.aat8084Chen H., Feng J., Jiang M. et al. Diffractive deep neural networks at visible wavelengths. Engineering, 7(10), 1483–1491 (2021). https://doi.org/10.1016/j.eng.2020.07.032Chen H., Feng J., Jiang M. et al. Diffractive deep neural networks at visible wavelengths. Engineering, 7(10), 1483–1491 (2021). https://doi.org/10.1016/j.eng.2020.07.032Zhou T., Lin X., Wu J. et al. Large-scale neuromorphic optoelectronic computing with a reconfigurable diffractive processing unit. Nature Photonics, 15(5), 367–373 (2021). https://doi.org/10.1038/s41566-021-00796-wZhou T., Lin X., Wu J. et al. Large-scale neuromorphic optoelectronic computing with a reconfigurable diffractive processing unit. Nature Photonics, 15(5), 367–373 (2021). https://doi.org/10.1038/s41566-021-00796-wBernstein L., Sludds A., Panuski C. et al. Single-shot optical neural network. Science Advances, 9(25), 7904 (2023). https://doi.org/10.1126/sciadv.adg7904Bernstein L., Sludds A., Panuski C. et al. Single-shot optical neural network. Science Advances, 9(25), 7904 (2023). https://doi.org/10.1126/sciadv.adg7904Deng Z., Qing D.-K., Hemmer P. R., Zubairy M. S. Implementation of optical associative memory by a computer-generated hologram with a novel thresholding scheme. Optics letters, 30(15), 1944–1946 (2005). https://doi.org/10.1364/ol.30.001944Deng Z., Qing D.-K., Hemmer P. R., Zubairy M. S. Implementation of optical associative memory by a computer-generated hologram with a novel thresholding scheme. Optics letters, 30(15), 1944–1946 (2005). https://doi.org/10.1364/ol.30.001944Zuo Y., Li B., Zhao Y. et al. All-optical neural network with nonlinear activation functions. Optica, 6(9), 1132–1137 (2019). https://doi.org/10.1364/OPTICA.6.001132Zuo Y., Li B., Zhao Y. et al. All-optical neural network with nonlinear activation functions. Optica, 6(9), 1132–1137 (2019). https://doi.org/10.1364/OPTICA.6.001132Евтихиев Н. Н., Краснов В. В., Рябцев И. П. и др. Измерение модуляции фазового жидкокристаллического модулятора света Santec SLM-200 и анализ его применимости для реконструкции изображений с дифракционных элементов. Измерительная техника, (5), 4–8 (2021). https://doi.org/10.32446/0368-1025it.2021-5-4-8Evtikhiev N. N., Krasnov V. V., Ryabcev I. P., Rodin V. G., Starikov R. S., Cheremkhin P. A. Measurement of modulation of the phase liquid-crystal light modulator Santec SLM-200 and analysis of its applicability for the reconstruction of images from diffraction elements. Measurement Techniques, 64(5), 346–351 (2021). https://doi.org/10.1007/s11018-021-01940-2Yang G.-z., Dong B.-z., Gu B.-y., Zhuang J.-y., Ersoy O. K. Gerchberg-Saxton and Yang-Gu algorithms for phase retrieval in a nonunitary transform system: a comparison. Applied optics, 33(2), 209–218 (1994). https://doi.org/10.1364/AO.33.000209Yang G.-z., Dong B.-z., Gu B.-y., Zhuang J.-y., Ersoy O. K. Gerchberg-Saxton and Yang-Gu algorithms for phase retrieval in a nonunitary transform system: a comparison. Applied optics, 33(2), 209–218 (1994). https://doi.org/10.1364/AO.33.000209Ovchinnikov A., Krasnov V., Cheremkhin P. et al. What binarization method is the best for amplitude inline Fresnel holograms synthesized for divergent beams using the direct search with random trajectory technique? Journal of Imaging, 9(2), 28 (2023). https://doi.org/10.3390/jimaging9020028Ovchinnikov A., Krasnov V., Cheremkhin P. et al. What binarization method is the best for amplitude inline Fresnel holograms synthesized for divergent beams using the direct search with random trajectory technique? Journal of Imaging, 9(2), 28 (2023). https://doi.org/10.3390/jimaging9020028Миниханов Т., Злоказов Е., Краснов В., Деревеницкая Д. Исследование динамических характеристик фазовых ЖК ПВМС HoloEye Pluto-2 VIS-016 и HoloEye GAEA-2 VIS-036. Сборник научных трудов XXXII Международной школы-симпозиума по голографии, когерентной оптике и фотонике, Санкт-Петербург, с. 195–197 (2022).Minikhanov T. Z., Zlokazov E. Yu., Krasnov V. V., Derevenickaia D. D. Research of dynamic characteristics of phase of the LC SLM HoloEye PLUTO 2 VIS-016 and HoloEye GAEA-2 VIS-036. Proceedings of the XXXII International School-Symposium on Holography, Coherent Optics and Photonics, St. Petersburg, рр. 195–197 (2022). (In Russ.)

The authors declare that there are no conflicts of interest present.