Характеристики временно́й динамики жидкокристаллических пространственно-временны́х модуляторов как ограничение быстродействия перестраиваемых дифракционных нейросетей.

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

1. LeCun 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/10.1109/5.726791

2. Malik 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_19

3. Jiang 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.2016.1500356WC

4. Wei 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.2018.8620111

5. Collobert 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/10.1145/1390156.1390177

6. Rymov 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.2024.108645

7. Kim 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.2003.1250885

8. Dennard 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.2007.4785543

9. Hamerly 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.9.021032

10. Mengu 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.2019.2921376

11. Xu 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.2020.106787

12. Миниханов 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.2023-12-35-39

13. Goodman 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.2.000001

14. Dong 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.2018.8450698

15. Feldmann 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/s41586-019-1157-8

16. Shen 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.2017.93

17. Lin 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.aat8084

18. Chen 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.2020.07.032

19. Zhou 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-w

20. Bernstein L., Sludds A., Panuski C. et al. Single-shot optical neural network. Science Advances, 9(25), 7904 (2023). https://doi.org/10.1126/sciadv.adg7904

21. Deng 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.30.001944

22. Zuo 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.6.001132

23. Евтихиев 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.2021-5-4-8

24. Yang 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.33.000209

25. Ovchinnikov 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/jimaging9020028

26. Миниханов 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).