Sign In

3D aperture-engineered diffractive neural networks for super-resolution electromagnetic wave computing

μž‘μ„±μž
  • Haebom
μΉ΄ν…Œκ³ λ¦¬
Empty

μ €μž

Sheng Gao, Songtao Yang, Haiou Zhang, Yuan Shen, Xing Lin

πŸ’‘ κ°œμš”

λ³Έ μ—°κ΅¬λŠ” 2D 회절 ν•œκ³„λ₯Ό κ·Ήλ³΅ν•˜λŠ” 3D κ°œκ΅¬λΆ€ μ—”μ§€λ‹ˆμ–΄λ§ 회절 신경망(AE-DNN)을 μ œμ•ˆν•˜μ—¬ μ΄ˆν•΄μƒλ„ μ „μžκΈ°νŒŒ 감지 및 μ»΄ν“¨νŒ…μ„ λ‹¬μ„±ν•©λ‹ˆλ‹€. μ‹¬μΈ΅μ μœΌλ‘œ μ—°κ²°λœ λ©”νƒ€ν‘œλ©΄ 측을 톡해 3D κ°œκ΅¬λΆ€λ₯Ό κ΅¬ν˜„ν•˜μ—¬ 물리적 κ°œκ΅¬λΆ€μ˜ ν•œκ³„λ₯Ό 훨씬 λ›°μ–΄λ„˜λŠ” μ „μžκΈ°μž₯ 인식을 κ°€λŠ₯ν•˜κ²Œ ν•©λ‹ˆλ‹€. 이 μ ‘κ·Ό 방식은 μ΅œλŒ€ 10개의 독립적인 μ†ŒμŠ€μ— λŒ€ν•œ 병렬 μ΄ˆν•΄μƒλ„ 각도 μΆ”μ •, μ†ŒμŠ€ 수 μΆ”μ • 및 μ†ŒμŠ€ 뢄리λ₯Ό μˆ˜ν–‰ν•©λ‹ˆλ‹€.

πŸ”‘ μ‹œμ‚¬μ  및 ν•œκ³„

β€’
6G 톡신 및 λ ˆμ΄λ” μ‹œμŠ€ν…œμ—μ„œ μ‹ ν˜Έ 밀도 μ¦κ°€λ‘œ μΈν•œ μ „μžκΈ° ν™˜κ²½ 혼작 문제λ₯Ό ν•΄κ²°ν•  수 μžˆλŠ” μƒˆλ‘œμš΄ κ°€λŠ₯성을 μ œμ‹œν•©λ‹ˆλ‹€.
β€’
κΈ°μ‘΄ 2D μ‹œμŠ€ν…œμ˜ 회절 ν•œκ³„λ₯Ό κ·Ήλ³΅ν•˜μ—¬ μ΄ˆν•΄μƒλ„ μ„Όμ‹± 및 닀쀑 κ°„μ„­ μ™„ν™” μ„±λŠ₯을 ν˜μ‹ μ μœΌλ‘œ ν–₯μƒμ‹œν‚¬ 수 μžˆμŠ΅λ‹ˆλ‹€.
β€’
μ œμ•ˆλœ AE-DNN은 μ‹€μ œ μ‹€ν—˜μ—μ„œ 닀쀑 간섭을 효과적으둜 μ–΅μ œν•˜κ³  톡신 μš©λŸ‰μ„ 크게 μ¦λŒ€μ‹œν‚€λ©° 지연 μ‹œκ°„μ„ 획기적으둜 λ‹¨μΆ•ν•˜λŠ” μ„±λŠ₯을 μž…μ¦ν–ˆμŠ΅λ‹ˆλ‹€.
β€’
ν–₯ν›„ μ—°κ΅¬μ—μ„œλŠ” 더 넓은 주파수 λŒ€μ—­μœΌλ‘œμ˜ ν™•μž₯, λ‹€μ–‘ν•œ ν™˜κ²½ μ‘°κ±΄μ—μ„œμ˜ μ„±λŠ₯ 검증, 그리고 μ‹€μ œ μ‹œμŠ€ν…œ 톡합 및 μ΅œμ ν™”μ— λŒ€ν•œ κ³ λ €κ°€ ν•„μš”ν•©λ‹ˆλ‹€.
πŸ‘
Made with Slashpage