izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2025-6-93-101izmertech-2423Research ArticleОПТИКО-ФИЗИЧЕСКИЕ ИЗМЕРЕНИЯOPTICOPHYSICAL MEASUREMENTSПрименение микрозеркального модулятора света в дифракционных оптических нейронных сетях: пространственновременные характеристики и ограниченияApplication of a digital micromirror device in diffractive optical neural networks: space-time characteristics and limitationshttps://orcid.org/0009-0001-3678-5722ОвчинниковА. С.OvchinnikovA. S.

Андрей Сергеевич Овчинников

Москва

Andrey S. Ovchinnikov

Moscow

pik.nik19@mail.ruhttps://orcid.org/0009-0008-4213-9373ВолковА. А.VolkovA. A.

Антон Андреевич Волков

Москва

Anton A. Volkov

Moscow

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

Анна Владимировна Шифрина

Москва

Anna V. Shifrina

Moscow

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

Елизавета Кирилловна Петрова

Москва

Elizaveta K. Petrova

Moscow

EKPetrova@mephi.ruhttps://orcid.org/0000-0003-3515-5822НебавскийВ. А.NebavskiyV. A.

Всеволод Алексеевич Небавский

Москва

Vsevolod A. Nebavskiy

Moscow

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

Стариков Ростислав Сергеевич

Москва

Rostislav S. Starikov

Moscow

rstarikov@mail.ruНациональный исследовательский ядерный университет «МИФИ»РоссияNational Research Nuclear University MEPhI (Moscow Engineering Physics Institute)Russian Federation20251312202574693101Copyright © ФГУП "ВНИИФТРИ", 20252025ФГУП "ВНИИФТРИ"ФГУП "ВНИИФТРИ"https://www.izmt.ru/jour/about/submissions#copyrightNoticehttps://www.izmt.ru/jour/article/view/2423

Микрозеркальные пространственно-временны́е модуляторы света широко применяются для оптической обработки графической информации, в томчисле с целью построения системголографического отображения и адаптивного формирования световых пучков. Также модуляторы используются при создании дифракционных нейроподобных систем. Востребованность модуляторов данного типа обусловлена уникальным для оптических систем сочетанием высокой скорости переключения и большого пространственного разрешения. В настоящей работе представлены результаты экспериментального исследования микрозеркального пространственно-временно́ го модулятора света HDSLM54D67 (UPO Labs, Китай) с передовыми для своего класса характеристиками по заявлениям производителя. Оценены реальные значения пространственных и скоростных параметров указанного модулятора при отображении бинарных компьютерносинтезированных голограмм Фурье и двумерных распределений в виде графических примитивов. Выявлена аномальная модуляция левой половины матрицы микрозеркал, приводящая к паразитному двоению восстановленных из голограмм изображений. Проанализированы причины возникновения данных искажений, выявлена их связь с особенностями устройства управляющего блока модулятора. Определены ограничения применимости данной модели микрозеркального модулятора в соответствии с выявленными пространственными ограничениями (использование только половины матрицы микрозеркал с разрешением 1358×1600 пикселов) и сформулированы предложения по оптимальной интеграциимодулятора в оптическую систему. Применение модулятора возможно, однако пропускная способность будет в два раза меньше теоретически максимальной. Результаты исследования можно использовать в дальнейших оптических экспериментах с данным модулятором света, в том числе и для задачи построения дифракционной нейронной сети.

Digital micromirror devices are widely used for optical processing of graphic information, including for the purpose of building holographic display systems and adaptive formation of light beams. Modulators are also used in the creation of diffraction neuron-like systems. The demand for modulators of this type is due to the unique combination of high switching speed and high spatial resolution for optical systems. This paper presents the results of an experimental study of the HDSLM54D67 digital micromirror device (UPO Labs, China), which, according to the manufacturer, has advanced characteristics for its type. The true values of its spatial and velocity parameters are estimated by displaying binary computer-synthesized Fourier holograms and two-dimensional distributions in the form of geometric primitives. The results revealed an abnormal modulation of the left half of the micromirror matrix, leading to a parasitic doubling of the images reconstructed from the holograms. The analysis of the causes of these distortions was carried out, and their connection with the features of the modulator control unit was revealed. The limitations of the applicability of this digital micromirror device model are determined in accordance with the identifi ed spatial limitations (using only the half of the micromirror matrix with a resolution of 1358×1600 pixels) and proposals for optimal integration of the modulator into an optical system are formulated. The use of a modulator is possible, but theoretically the maximum bandwidth will be reduced by 2 times. The results of the study can be used in further optical experiments with this digital micromirror device, including for the task of constructing a diffraction neural network.

компьютерная голографиямикрозеркальный модулятор светадифракционные оптические нейронные сетидифракционный оптический элементкогерентный оптический дифракционный процессорcomputer-generated holographydigital micromirror devicediffractive optical neural networksdiffractive optical elementcoherent optical diffraction processorРабота выполнена при финансовой поддержке Российского научного фонда (РНФ), грант № 23-12-00336.The work was carried out with fi nancial support by Russian Science Foundation (RSF), project no. 23-12-00336.ReferencesLecun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(5), 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(5), 2278–2324 (1998). https://doi.org/10.1109/5.726791Lu Z., Sreekumar G., Goodman E., Banzhaf W., Deb K., Boddeti V. N. Neural architecture transfer. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(9), 2971–2989 (2021). https://doi.org/10.1109/TPAMI.2021.3052758Lu Z., Sreekumar G., Goodman E., Banzhaf W., Deb K., Boddeti V. N. Neural architecture transfer. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(9), 2971–2989 (2021). https://doi.org/10.1109/TPAMI.2021.3052758Ruiz L., Gama F., Ribeiro A. Graph neural networks: architectures, stability and transferability. Proceedings of the IEEE, 109(5), 660–682 (2021). https://doi.org/10.1109/JPROC.2021.3055400Ruiz L., Gama F., Ribeiro A. Graph neural networks: architectures, stability and transferability. Proceedings of the IEEE, 109(5), 660–682 (2021). https://doi.org/10.1109/JPROC.2021.3055400Ahmed S., Dera D., Hassan S., Bouaynaya N., Rasool G. Failure detection in deep neural networks for medical imaging. Frontiers in Medical Technology, 4, 919046 (2022). https://doi.org/10.3389/fmedt.2022.919046Ahmed S., Dera D., Hassan S., Bouaynaya N., Rasool G. Failure detection in deep neural networks for medical imaging. Frontiers in Medical Technology, 4, 919046 (2022). https://doi.org/10.3389/fmedt.2022.919046Svistunov A. S., Rymov D. A., Starikov R. S., Cheremkhin P. A. HoloForkNet: digital hologram reconstruction via multibranch neural network. Applied Sciences, 13(10), 6125 (2023). https://doi.org/10.3390/app13106125 ; https://elibrary.ru/hmhhwsSvistunov A. S., Rymov D. A., Starikov R. S., Cheremkhin P. A. HoloForkNet: digital hologram reconstruction via multibranch neural network. Applied Sciences, 13(10), 6125 (2023). https://doi.org/10.3390/app13106125 ; https://elibrary.ru/hmhhwsBorylo P., Biernacka E., Domzal J., Kądziołka B., Kantor M., Rusek K., Skala M., Wajda K., Wójcik R., Zabek W. Neural networks in selected aspects of communications and networking. IEEE Access, 12, 132856–132890 (2024). https://doi.org/10.1109/ACCESS.2024.3404866Borylo P., Biernacka E., Domzal J., Kądziołka B., Kantor M., Rusek K., Skala M., Wajda K., Wójcik R., Zabek W. Neural networks in selected aspects of communications and networking. IEEE Access, 12, 132856–132890 (2024). https://doi.org/10.1109/ACCESS.2024.3404866Poyser M., Breckon T. Neural architecture search: a contemporary literature review for computer vision applications. Pattern Recognition, 147, 110052 (2023). https://doi.org/10.1016/j.patcog.2023.110052Poyser M., Breckon T. Neural architecture search: a contemporary literature review for computer vision applications. Pattern Recognition, 147, 110052 (2023). https://doi.org/10.1016/j.patcog.2023.110052Rymov D. A., Svistunov A. S., Starikov R. S., Shifrina A. V., Rodin V. G., Evtikhiev N. N., Cheremkhin P. A. 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.2024.108645 ; https://elibrary.ru/judnpoRymov D. A., Svistunov A. S., Starikov R. S., Shifrina A. V., Rodin V. G., Evtikhiev N. N., Cheremkhin P. A. 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.2024.108645 ; https://elibrary.ru/judnpoCollobert R., Weston J. A unifi ed architecture for natural language processing: deep neural networks with multitask learning. Proceedings of the 25th International Conference on Machine Learning, Helsinki, Finland, July 5–9, pp. 160–167 (2008). https://doi.org/10.1145/1390156.1390177Collobert R., Weston J. A unifi ed architecture for natural language processing: deep neural networks with multitask learning. Proceedings of the 25th International Conference on Machine Learning, Helsinki, Finland, July 5–9, pp. 160–167 (2008). https://doi.org/10.1145/1390156.1390177Galke L., Ram Y., Raviv L. Deep neural networks and humans both benefi t from compositional language structure. Nature Communications, 15, 10816 (2024). https://doi.org/10.1038/s41467-024-55158-1Galke L., Ram Y., Raviv L. Deep neural networks and humans both benefi t from compositional language structure. Nature Communications, 15, 10816 (2024). https://doi.org/10.1038/s41467-024-55158-1Dennard R.H., Gaensslen F. H., Yu H.-N., Rideovt V., Bassous E., LeBlanc A. R. Design of ion-implanted MOSFET’s with very small physical dimensions. IEEE Solid-State Circuits Society Newsletter, 12(1), 38–50 (2007). https://doi.org/10.1109/N-SSC.2007.4785543Dennard R.H., Gaensslen F. H., Yu H.-N., Rideovt V., Bassous E., LeBlanc A. R. Design of ion-implanted MOSFET’s with very small physical dimensions. IEEE Solid-State Circuits Society Newsletter, 12(1), 38–50 (2007). https://doi.org/10.1109/N-SSC.2007.4785543Zhang D., Tan Z. A review of optical neural networks. Applied Sciences, 12, 5338 (2022). https://doi.org/10.3390/app12115338Zhang D., Tan Z. A review of optical neural networks. Applied Sciences, 12, 5338 (2022). https://doi.org/10.3390/app12115338Yang D., Lei Z., Li L., Shen W., Li H., Gui C., Song Y. High optical storage density using three-dimensional hybrid nanostructures based on machine learning. Optics and Lasers in Engineering, 161, 107347 (2022). https://doi.org/10.1016/j.optlaseng.2022.107347Yang D., Lei Z., Li L., Shen W., Li H., Gui C., Song Y. High optical storage density using three-dimensional hybrid nanostructures based on machine learning. Optics and Lasers in Engineering, 161, 107347 (2022). https://doi.org/10.1016/j.optlaseng.2022.107347Hamerly R., Bernstein L., Sludds A., Soljačić M., Englund D. Large-scale optical neural networks based on photoelectric multiplication. Physical Review X, 9, 021032 (2019). https://doi.org/10.1103/PhysRevX.9.021032Hamerly R., Bernstein L., Sludds A., Soljačić M., Englund D. Large-scale optical neural networks based on photoelectric multiplication. Physical Review X, 9, 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, 1–14 (2020). 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, 1–14 (2020). https://doi.org/10.1109/JSTQE.2019.2921376Xu R., Lv 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., Lv 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.2020.106787Song M., Li R., Wang J. Only frequency domain diffractive deep neural networks. Applied Optics, 62, 1082–1087 (2023). https://doi.org/10.1364/AO.480640Song M., Li R., Wang J. Only frequency domain diffractive deep neural networks. Applied Optics, 62, 1082–1087 (2023). https://doi.org/10.1364/AO.480640Wu K., Liu Y., Gao H., Tao J., Xiong W., Li X. Effi cient design optimization for diffractive deep neural networks. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 44(3), 1199–1203 (2025). https://doi.org/10.1109/TCAD.2024.3432632Wu K., Liu Y., Gao H., Tao J., Xiong W., Li X. Effi cient design optimization for diffractive deep neural networks. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 44(3), 1199–1203 (2025). https://doi.org/10.1109/TCAD.2024.3432632Li B., Zhu Y., Fei J., Zheng R., Gu M., Jian L. Multi-functional broadband diffractive neural network with a single spatial light modulator. APL Photonics, 10, 016115 (2025). https://doi.org/10.1063/5.0245832Li B., Zhu Y., Fei J., Zheng R., Gu M., Jian L. Multi-functional broadband diffractive neural network with a single spatial light modulator. APL Photonics, 10, 016115 (2025). https://doi.org/10.1063/5.0245832Zheng M., Liu W., Shi L., Zi J. Diffractive neural networks with improved expressive power for grayscale image classifi cation. Photonics Research, 12, 1159–1166 (2024) https://doi.org/10.1364/PRJ.513845Zheng M., Liu W., Shi L., Zi J. Diffractive neural networks with improved expressive power for grayscale image classifi cation. Photonics Research, 12, 1159–1166 (2024) https://doi.org/10.1364/PRJ.513845Миниханов Т. З., Злоказов Е. Ю., Стариков Р. С., Черёмхин П. А. Временна́ я динамика модуляции фазы жидкокристаллического пространственно-временного модулятора света. Измерительная техника, (12), 35–39 (2023) https://doi.org/10.32446/0368-1025it.2023-12-35-39 ; https://elibrary.ru/spyvlsMinikhanov T. Z., Zlokazov E. Yu., Starikov R. S., Cheremkhin P. A. Phase modulation time dynamics of the liquid-crystal spatial light modulator. Izmeritel’naya Tekhnika, (12), 35–39 (2023). (In Russ.). https://doi.org/10.32446/0368-1025it.2023-12-35-39 ; https://elibrary.ru/spyvlsHu Z., Miscuglio M., Li S., George J., Gupta P., Sorger V. J. Electro-optical hybrid Fourier neural network with amplitudeonly modulation. In Frontiers in Optics / Laser Science, B. Lee, C. Mazzali, K. Corwin, and R. Jason Jones, eds., OSA Technical Digest, FM7D.3. Optica Publishing Group (2020). https://doi.org/10.1364/FIO.2020.FM7D.3Hu Z., Miscuglio M., Li S., George J., Gupta P., Sorger V. J. Electro-optical hybrid Fourier neural network with amplitudeonly modulation. In Frontiers in Optics / Laser Science, B. Lee, C. Mazzali, K. Corwin, and R. Jason Jones, eds., OSA Technical Digest, FM7D.3. Optica Publishing Group (2020). https://doi.org/10.1364/FIO.2020.FM7D.3Кирий С. А., Свистунов А. С., Рымов Д. А., Стариков Р. С., Шифрина А. В., Черёмхин П. А. Восстановление изображений объектов: метод реконструкции с использованием цифровых внеосевых голограмм и генеративно-состязательнойнейронной сети. Измерительная техника, 73(4), 23–31 (2024). https://doi.org/10.32446/0368-1025it.2024-4-23-31 ; https://elibrary.ru/potyohKiriy S. A., Svistunov A. S., Rymov D. A., Starikov R. S., Shifrina A. V., Cheremkhin P. A. Object image reconstruction: method for reconstructing images from digital off-axis holograms using a generative adversarial network. Izmeritel’naya Tekhnika, 73(4), 23–31 (2024). (In Russ.). https://doi.org/10.32446/0368-1025it.2024-4-23-31 ; https://elibrary.ru/potyohTurtaev S., Leite I. T., Mitchell K. J., Padgett M. J., Phillips D. B., Čižmár T. Exploiting digital micromirror device for holographic micro-endoscopy. Proceedings of SPIE, 10932, 1093203 (2019). https://doi.org/10.1117/12.2509429Turtaev S., Leite I. T., Mitchell K. J., Padgett M. J., Phillips D. B., Čižmár T. Exploiting digital micromirror device for holographic micro-endoscopy. Proceedings of SPIE, 10932, 1093203 (2019). https://doi.org/10.1117/12.2509429Wang T., Sohoni M. M., Ma S-Y., Wright L. G., Onodera T., Stein M. M., Anderson M., Richard B. C., McMahon P. L. Applications of digital micromirror devices in photonic neural networks. Proceedings of SPIE, PC12435, PC1243501 (2023). https://doi.org/10.1117/12.2649385Wang T., Sohoni M. M., Ma S-Y., Wright L. G., Onodera T., Stein M. M., Anderson M., Richard B. C., McMahon P. L. Applications of digital micromirror devices in photonic neural networks. Proceedings of SPIE, PC12435, PC1243501 (2023). https://doi.org/10.1117/12.2649385Волков А. А., Миниханов Т. З., Злоказов Е. Ю., Шифрина А. В., Петрова Е. К., Стариков Р. С. Характеристики временно́ й динамики жидкокристаллических пространственно-временных модуляторов как ограничение быстродействия перестраиваемых дифракционных нейросетей. Измерительная техника, 74(1), 83–89 (2025) https://doi.org/10.32446/0368-1025it.2025-1-83-89 ; https://elibrary.ru/asgugkVolkov A. A., Minikhanov T. Z., Zlokazov E. Yu., Shifrina A. V., Petrova E. K., Starikov R. S. Characteristics of temporal dynamics of liquid crystal spatial modulators as a performance limitation of tunable diffractive neural networks. Izmeritel’naya Tekhnika, 74(1), 83–89 (2025). (In Russ.). https://doi.org/10.32446/0368-1025it.2025-1-83-89 ; https://elibrary.ru/asgugkОвчинников А. С., Волков А. А., Керов А. А., Шифрина А. В., Петрова Е. К., Черёмхин П. А. Определение универсального метода квантования компьютерно-синтезированных голограмм при оптической реконструкции изображений. Измерительная техника, 74(2), 70–77 (2025) https://doi.org/10.32446/0368-1025it.2025-2-70-77 ; https://elibrary.ru/fmgmthOvchinnikov A. S., Volkov A. A., Kerov A. A. Shifrina A. V., Petrova E. K., Cheremkhin P. A. Development of a universal method for quantization of computer-generated holograms in the optical image reconstruction. Izmeritel’naya Tekhnika, 74(2), 70–77 (2025). (In Russ.). https://doi.org/10.32446/0368-1025it.2025-2-70-77 ; https://elibrary.ru/fmgmthИванова С. Д., Шемонаев Д. Д. Реконструкция изображений с использованием голограмм Френеля: соотношение продольного и поперечного масштабов изображений. Измерительная техника, 73(5), 35–40 (2024). https://doi.org/10.32446/0368-1025it.2024-5-35-40 ; https://elibrary.ru/wectmtIvanova S. D., Shemonaev D. D. Image reconstruction with the use of fresnel holograms: relationship between the longitudinal and transverse scales of images. Izmeritel’naya Tekhnika, 73(5), 35–40 (2024). (In Russ.). https://doi.org/10.32446/0368-1025it.2024-5-35-40 ; https://elibrary.ru/wectmtAkhter N., Min G., Kim J., Lee B. H. A comparative study of reconstruction algorithms in digital holography. Optik, 124, 2955–2958 (2013). https://doi.org/10.1016/j.ijleo.2012.09.002Akhter N., Min G., Kim J., Lee B. H. A comparative study of reconstruction algorithms in digital holography. Optik, 124, 2955–2958 (2013). https://doi.org/10.1016/j.ijleo.2012.09.002Otsu N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66 (1979). https://doi.org/10.1109/TSMC.1979.4310076Otsu N. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66 (1979). https://doi.org/10.1109/TSMC.1979.4310076Scholes S., Kara R., Pinnell J., Rodríguez-Fajardo V., Forbes A. Structured light with digital micromirror devices: a guide to best practice. Optical Engineering, 59(4), 041202 (2019). https://doi.org/10.1117/1.OE.59.4.041202.Scholes S., Kara R., Pinnell J., Rodríguez-Fajardo V., Forbes A. Structured light with digital micromirror devices: a guide to best practice. Optical Engineering, 59(4), 041202 (2019). https://doi.org/10.1117/1.OE.59.4.041202.

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