Развитие технологий коммуникации сопряжено с двумя соперничающими процессами — развитием информационной безопасности и развитием методов ее обхода. Это вечное противостояние весьма полезно, так как заставляет технологии цифровой безопасности развиваться и не стоять на месте. Ученые из Института электронных структур и лазеров (Греция) разработали новую оптическую систему шифрования, которую невозможно взломать классическими методами. Из чего состоит данная система, как она работает, и действительно она так надежна? Ответы на эти вопросы мы найдем в докладе ученых.

Основа исследования

Передача оптической информации через сильно искажающие среды является большой проблемой для многочисленных приложений. Например, оптическая связь в свободном пространстве через атмосферу является важнейшей вехой для следующего поколения телекоммуникаций. Распространение через сложные среды, такие как атмосфера Земли или подводные среды, представляет собой поглощение, рассеяние и турбулентность, которые приводят к случайным фазовым искажениям в распространяющемся лазерном луче. Эти фазовые искажения заставляют луч распространяться и испытывать случайные колебания интенсивности, что снижает надежность передаваемой информации.

Параллельно также возник глубокий интерес к визуализации через сложные среды. Для этой сложной задачи были использованы инструменты машинного обучения, такие как нейронные сети, чтобы улучшить методы визуализации в сложных средах. Само машинное обучение было введено в область фотоники с такими приложениями, как анализ хаотической динамики, прогнозирование нелинейной динамики, формирование и характеризация импульсов и управление генерацией суперконтинуума. Другие примеры нейронных сетей, применяемых в оптике, включают визуализацию через рассеивающие и турбулентные среды, фотонные волноводы и многомодовые волокна (MMF от multimode fiber).

В частности, большие усилия были вложены в область исследования многомодовых волокон, что привело к таким достижениям, как передача естественных сцен (изображений) через многомодовые волокна и цифр из набора данных MNIST. По мере того как лазерный импульс распространяется через многомодовое волокно, на выходе волокна можно наблюдать сложную картину спеклов, которая зависит от различных переменных. С развитием машинного обучения для решения этой проблемы были использованы подходы, основанные на данных, с использованием нейронных сетей в качестве декодеров для сложных картин спеклов. Тот же базовый принцип использовался также для реконструкции изображений из картин спеклов в рассеивающих и турбулентных средах и для голографического шифрования. Более того, обратная задача была решена в исследовании «Actor neural networks for the robust control of partially measured nonlinear systems showcased for image propagation through diffuse media», где целью был поиск подходящего входа в MMF, который привел бы к желаемому изображению на выходе волокна.

В рассматриваемом нами сегодня труде ученые изучили, как мощные фемтосекундные лазерные лучи могут быть использованы для безопасной передачи информации через хаотические среды, с потенциальными вариантами использования в безопасной оптической связи в свободном пространстве и криптографии. Когда мощный лазерный луч проходит через нелинейную среду, такую как воздух, происходит явление, называемое лазерной филаментацией. Филаментация является богатой областью исследований с многочисленными приложениями, начиная от генерации суперконтинуума для дистанционного зондирования в атмосфере, виртуальных антенн, защиты от электрических разрядов и управления ими и открытия путей связи в свободном пространстве через туман и рассеивающую атмосферу.

Филамент по сути является самонаправляемым, динамическим каналом, сформированным в первую очередь из-за противоположных эффектов самофокусировки Керра и ионизационной дефокусировки. За последние 25 лет как теоретические, так и экспериментальные исследования широко изучали хаотическое оптическое поведение лазерной филаментации, вызванное модуляционной неустойчивостью и другими сложными пространственно-временными явлениями. В дополнение к мгновенному отклику электронной поляризуемости среды, нелинейно управляемые тепловые эффекты играют значительную роль в распространении последовательных импульсов из последовательности лазерных импульсов. Эти эффекты являются результатом энерговложения в среду посредством поглощения носителей в нитевидной зоне и приводят к таким явлениям, как хаотическая турбулентность, образование ударной волны и кавитация в жидкостях.

На сегодняшний день фемтосекундная лазерная филаментация используется в качестве инструмента, обеспечивающего свободную пространственную связь. Фемтосекундный лазер открывает свободный путь в рассеивающих средах, таких как туман, посредством теплового расширения плазменного канала, индуцированного филаментом. Совместно распространяющиеся информационные импульсы используют этот открытый канал для передачи информации.

Ученые задались вопросом — что делать, если кто-то захочет использовать саму лазерную нить для передачи информации? Искажение лазерного луча после нелинейного распространения стало неизбежной и сложной проблемой, особенно для приложений визуализации. Один из многих подходов к решению этой проблемы включает регистрацию полного комплексного электрического поля (включая амплитуду и фазу) после среды Керра и использование цифрового обратного распространения для реконструкции исходного объекта. Та же концепция может быть применена в случае нитевидного распространения путем обратного распространения конечного волнового фронта. Теоретические исследования обратимости лазерной филаментации были и раньше. В тех трудах было подтверждено, что лазерная филаментация может быть обратимой процедурой в случае умеренной нелинейности и без наличия каких-либо тепловых эффектов.

Тепловая турбулентность вносит дополнительные проблемы и сложности, которые изменяют поведение нитей, ограничивая их способность сохранять начальные характеристики импульса на больших расстояниях. Поэтому широко признано, что обращение распространения пучка после нелинейной хаотической филаментации и восстановление информации о пространственной интенсивности, закодированной в пучке, не может быть достигнуто с использованием какой-либо физической модели распространения пучка. Следовательно, важно использовать нейронные сети в качестве потенциальных инструментов для реконструкции начальной информации, закодированной в пространственной интенсивности или фазе пучка, особенно когда он распространяется нелинейно через среду.

В рассматриваемом нами сегодня труде ученые демонстрируют использование нейронных сетей (NN от neural network) для извлечения информации в виде голограмм, которые становятся зашифрованными при передаче через нелинейную хаотическую среду. Информация, закодированная в лазерной голограмме, распространяется через кювету, заполненную этанолом. Использование жидкой среды выбрано, поскольку она обеспечивает высоконелинейное распространение вместе с сильной тепловой турбулентностью на небольшом расстоянии распространения. Фактически, такие лабораторные эксперименты по распространению длиной в сантиметр в жидкостях могут использоваться для имитации распространения длиной в километр в атмосфере.

Подготовка к опытам

Изображение №1

Экспериментальная оптическая установка, используемая для генерации и доставки информации, закодированной в голограммах, через нелинейную и турбулентную систему, показана выше. В частности, фаза гауссова пучка была пространственно модулирована с использованием ряда соответствующих фазовых масок (1a), с помощью фазово-отражающего пространственного модулятора света (Hamamatsu LCOS-X10468-03), генерирующего голограммы с кодированной информацией на определенном расстоянии в воздухе (1b, Hologram Plane-1). В качестве источника света использовалась фемтосекундная диодная накачка Yb:KGW лазерной системы (Pharos, Light Conversion) с центральной длиной волны 1030 нм, минимальной длительностью лазерного импульса 170 фс и частотой повторения 30 кГц. Уменьшение масштаба и перенос сгенерированных голограмм в кювете размером 3 см, заполненной этанолом (1c, Hologram Plane-2), было достигнуто с использованием 4-f оптической системы с коэффициентом 5.4 (f = 150 мм, объектив 3.7X, NA 0.11, 1c). Наконец, спекл-структура после нелинейного распространения была зарегистрирована с использованием компактной системы формирования изображений микроскопа, соединенной с CCD-камерой (от charge-coupled device или прибор с зарядовой связью).

Голограммы были созданы с использованием модифицированного алгоритма Герхберга-Сакстона (GS от Gerchberg–Saxton), а тип информации, закодированной в них для доставки, был основан на большом количестве изображений рукописных цифр из базы данных MNIST (первая часть эксперимента) и меньшего, но более сложного набора данных MPEG-7 Core Experiment CE-Shape-1 (вторая часть эксперимента).

Для первой части эксперимента собранные данные, 20000 входных изображений (1d) и соответствующие 20000 экспериментально измеренных пространственных интенсивностей голограмм после 4-f системы, захваченных в воздухе в позиции Hologram plane-2 (1c), использовались для обучения нейронных сетей. Голограммы были созданы на основе изображений цифр из базы данных MNIST. Из общего числа голограмм 18000 были использованы для обучения, а оставшиеся 2000 — для проверки (вместе с их соответствующими спекл-структурами). Что касается второй части исследования, новый набор данных был создан из данных, полученных из MPEG-7 Core Experiment CE-Shape-1. Всего было измерено 3713 голографических спекл-структур (вместе с соответствующими им голограммами), из которых 2970 использовались для обучения, а оставшиеся 743 — для проверки.

Изображения голограмм и спекл-структур были записаны в 8-битном формате оттенков серого с разрешением 1624 х 1224 пикселей. Перед подачей в нейронные сети стороны изображений обрезаются, изображения изменяются в размере до 128 х 128 пикселей, а их пиксельные значения нормализуются в диапазоне от нуля до единицы. Во время предварительной обработки экспериментальных изображений использовался дополнительный шаг, который заключался в применении фильтра сглаживания Гаусса. Этот процесс сглаживает спеклы на исходных изображениях, сгенерированных с помощью модифицированного алгоритма GS, и улучшает окончательные модели.


Изображение №2

Чтобы восстановить исходную голограмму до появления нелинейных эффектов, использовалось три различных типа нейронных сетей (2a–2c). Три архитектуры основаны на автокодировщике и модифицированных архитектурах VggNet и U-net. Переходя к последней части экспериментов, ученые использовали предварительно обученный автокодировщик (из первой части экспериментов), который был точно настроен для набора данных с более сложными формами.

В первой части экспериментов U-net, Vggnet и Autoencoder обучались в течение 50, 70 и 64 эпох соответственно, чтобы избежать переобучения. В качестве функции потерь использовалась комбинация средней абсолютной ошибки (MAE от mean absolute error) и метрики индекса структурного сходства (SSIM от structural similarity index metric), поскольку ранее было доказано, что это подходящий выбор для задач восстановления изображений. Для процесса обучения использовался оптимизатор Adam со скоростью обучения, равной 0.001. Обучение всех нейронных сетей на NVIDIA Quadro RTX 6000 с использованием библиотеки TensorFlow занимает менее 30 минут. Для случая более сложного набора данных для обучения была выбрана бинарная функция потерь кросс-энтропии, поскольку было эмпирически доказано, что она лучше работает с меньшим набором данных вдоль предварительно обученного автокодировщика.

Чтобы смягчить последствия наличия существенно меньшего и более сложного набора данных, во второй части опытов ученые использовали возможности передачи обучения. Более конкретно, веса из предварительно обученного автокодировщика на наборе данных MNIST использовались (из первой части опытов) в качестве отправной точки для инициализации весов автокодировщика (для всех слоев, кроме выходного слоя).

Результаты исследования

Критическая мощность для фемтосекундной филаментации в этаноле составляет 12-20 МВт. Таким образом, при использовании мощного лазерного источника сильные нелинейные оптические эффекты (самофокусировка и образование плазмы) изменяют распространение луча внутри кюветы с этанолом, что приводит к наблюдению лазерной филаментации, сопровождающейся генерацией суперконтинуума. Кроме того, при высоких частотах повторения лазера (30 кГц) накопление тепловой энергии от филаментов в жидкости приводит к сильной турбулентности в среде, что дополнительно влияет на распространение лазерного луча. Сочетание нелинейных эффектов вместе с турбулентным распространением вызывает сильную деформацию лазерного луча, приводящую к спекл-структуре, которая регистрируется после кюветы компактной системой визуализации микроскопа, соединенной с CCD-камерой (1d).


Изображение №3

Изображения из набора данных цифр MNIST выбираются случайным образом (3a–3c) для цифр 1, 3 и 5 соответственно, чтобы быть закодированными в интенсивности профиля пучка. Соответствующая фазовая маска (3d–3f) для каждого изображения подается в качестве входных данных в SLM, и голограмма генерируется на расстоянии 25 см от SLM. Система 4-f передает и уменьшает полученную голограмму в 5.4 раза. Уменьшенную голограмму можно увидеть на 3g–3i, как она отображена в воздухе с энергией импульса 0.2 нДж и частотой повторения 50 Гц в линейном режиме. После нелинейного распространения 3.25 мм в заполненной этанолом кювете с энергией импульса 10 Дж и частотой повторения 30 кГц профиль деформированного пучка можно увидеть на 3j–3l. На выходе из кюветы (3m–3o) во время последней стадии распространения регистрируется полая спекл-структура.


Изображение №4

Целью нейронных сетей является извлечение исходных голограмм при подаче на вход записанной спекл-структуры после распространения. Первой задачей было качественно и количественно сравнить возможности реконструкции трех различных архитектур нейронных сетей: автоэнкодера, модифицированной U-сети и модифицированной VggNet. Для достижения этого голограммы для каждой цифры от нуля до девяти из набора проверки и их соответствующая реконструкция для различных архитектур нейронных сетей представлены выше.

На первый взгляд, кажется, что автоэнкодер имеет наилучшую производительность по всем цифрам, при этом U-net имеет вторую лучшую производительность, а Vggnet работает хуже по сравнению с двумя другими. Автоэнкодер работает гладко по всем цифрам и не испытывает проблем с их реконструкцией по их спекл-структуре. С другой стороны, модифицированная U-net испытывает трудности с различением 4 и 9 во время процесса реконструкции и работает неравномерно с цифрами 5, 6, 8 и 9, которые имеют более мелкие детали. Кроме того, модифицированная VggNet представляет неоднозначность для цифр 4 и 9, в то время как качество реконструкции низкое для цифр 5, 7 и 8. Однако все нейронные сети извлекают исходные формы для цифр 0, 1 и 3, поскольку они имеют более простые формы и меньше вариаций.


Изображение №5

Вышеизложенное можно качественно подтвердить, сначала наблюдая метрику SSIM по мере увеличения эпох во время обучения для каждой нейронной сети, как показано на 5a. Для дальнейшего исследования различных архитектур была обучена простая сверточная нейронная сеть для классификации цифр на изображениях на сгенерированных голограммах. Были использованы точно такие же обучающие и проверочные наборы, как и раньше, чтобы избежать утечки данных. Затем на 5b показана точность классификации сети для исходных цифр в проверочном наборе данных и их реконструкция из спекл-структур для каждой сети. Эти наблюдения относительно способности каждой нейронной сети реконструировать цифры подробно представлены ниже. Представлены матрицы путаницы результатов классификации из простой сверточной нейронной сети для проверочного набора данных и его реконструкции из различных архитектур нейронных сетей.


Изображение №6

Последующий шаг опытов включал оценку применимости подхода нейронной сети для восстановления оптической информации (после нелинейного распространения) в контексте более сложных форм голограмм на основе набора данных MPEG-7 Core Experiment CE-Shape-1. Сложность задачи извлечения исходной голографической информации увеличивается по мере того, как новый набор данных становится меньше, с более сложными формами. Именно это заставило ученых использовать предварительно обученный автокодировщик (с данными из первой части исследования) и настроить его соответствующим образом для нового набора данных.


Изображение №7

Результаты можно увидеть выше, где нейронная сеть реконструирует различные сложные формы голограмм. Результаты не столь отчетливы, как те, которые наблюдались с набором данных цифр MNIST, учитывая возросшую сложность и изменчивость форм, а также ограниченную доступность экспериментально полученных данных. Тем не менее нейронная сеть все еще может извлекать оптическую информацию, демонстрируя весьма многообещающие доказательства для потенциальных будущих приложений.


Изображение №8

И последнее, но не менее важное: сравнение производительности трех архитектур нейронных сетей на наборе данных цифр и автокодировщика на сложных формах с использованием трансферного обучения показано выше с использованием коэффициента корреляции Пирсона и SSIM. На этом этапе ученые отметили, что не существует единой функции потерь или архитектуры нейронной сети, которая дает оптимальные результаты во всех наборах данных для процедуры извлечения информации. Результаты зависят от приложения, и это общий случай для задач реконструкции изображений в целом.

Общепризнанной проблемой для всех физических систем, используемых в обучении нейронных сетей, является их временная надежность из-за присущих им временных дрейфов. Эти дрейфы обычно учитываются при интенсивном обучении, хотя это не всегда успешно. Данная система предлагает гораздо более простой подход. По сути, все, что требуется, это термостабилизированный лазер и жидкостная кювета. Другие параметры, такие как энергия лазера и длительность импульса, можно точно контролировать, обеспечивая постоянство экспериментальных условий.

В рамках криптографии данную систему также можно рассматривать как физическую неклонируемую функцию (PUF от physical unclonable function). Оптические PUF в своей самой базовой форме представляют собой неупорядоченные структуры, освещаемые лазерным лучом. Падающий свет подвергается многократному рассеянию, что приводит к образованию спекл-структуры либо в режиме пропускания, либо в режиме отражения. Включение нелинейных оптических явлений в область PUF кажется многообещающим для повышения их возможностей и универсальности. Например, PUF в объеме стекол были созданы с использованием фемтосекундных нитей, PUF в рассеивающих средах, демонстрирующих нелинейность Керра, и с использованием хаотических микрополостей также обсуждались. Показанная в данном исследовании система предлагает еще более сложные и безопасные условия для устройств PUF.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых.

Эпилог

В рассмотренном нами сегодня труде ученые создали оптическую систему, использующую голограммы для кодирования визуальной информации.

Для создания этой системы использовались нейронные сети, извлекающие зашифрованную информацию, которая храниться в виде голограмм. В ходе исследований ученые обнаружили, что при использовании голограмм для кодирования лазерного луча луч становится полностью и случайным образом зашифрованным, и что исходную форму луча невозможно распознать или восстановить с помощью физического анализа или расчета. Следовательно, это можно использовать для шифрования информации.

Дабы реализовать физическую систему, способную хаотично шифровать световые лучи, ученые использовали лазер, взаимодействующий с кюветой, заполненной этанолом. Во время взаимодействия с жидкостью луч демонстрировал изменение интенсивности и тепловую турбулентность, что усиливало шифрование.

Во время практических испытаний были использованы базы данных изображений цифр и различных фигур. После обучения нейронные сети могли достаточно точно извлекать зашифрованные изображения в 90-95 % случаев. Более тщательное обучение нейронных сетей может, по словам ученых, повысить этот показатель.

В будущем ученые намерены продолжить работу над своей системой шифрования, внедрив в нее двухфакторную аутентификацию. Также усилия будут направлены на уменьшение габаритов и стоимости установки, чтобы она могла стать коммерчески доступной и выгодной.

Немного рекламы

Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 — 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB — от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?