Применение микрозеркального модулятора света в дифракционных оптических нейронных сетях: пространственновременные характеристики и ограничения

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.

1. Lecun 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/10.1109/5.726791

2. Lu 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.2021.3052758

3. Ruiz 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.2021.3055400

4. Ahmed 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.2022.919046

5. Svistunov 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/hmhhws

6. Borylo 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.2024.3404866

7. Poyser 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.2023.110052

8. Rymov 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/judnpo

9. Collobert 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/10.1145/1390156.1390177

10. Galke 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/s41467-024-55158-1

11. Dennard 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.2007.4785543

12. Zhang D., Tan Z. A review of optical neural networks. Applied Sciences, 12, 5338 (2022). https://doi.org/10.3390/app12115338

13. Yang 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.2022.107347

14. Hamerly 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.9.021032

15. 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, 1–14 (2020). https://doi.org/10.1109/JSTQE.2019.2921376

16. Xu 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.2020.106787

17. Song M., Li R., Wang J. Only frequency domain diffractive deep neural networks. Applied Optics, 62, 1082–1087 (2023). https://doi.org/10.1364/AO.480640

18. Wu 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.2024.3432632

19. Li 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/10.1063/5.0245832

20. Zheng 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.513845

21. Миниханов 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/spyvls

22. Hu 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.3

23. Кирий 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/potyoh

24. Turtaev 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/10.1117/12.2509429

25. Wang 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/10.1117/12.2649385

26. Волков 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/asgugk

27. Овчинников 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/fmgmth

28. Иванова 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/wectmt

29. Akhter 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.2012.09.002

30. Otsu 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.1979.4310076

31. 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.