Скорость передачи данных в мире растет как на дрожжах — искусственный интеллект, большие данные и облачные технологии требуют все больше пропускной способности. Обычные оптоволоконные сети уже близки к пределу своих возможностей. Чтобы прорваться дальше, ученые обратились к многомодовым волокнам (ММВ), которые могут передавать несколько сигналов одновременно за счет разных мод — своеобразных «дорожек» для света. Но есть проблема: при передаче эти моды перемешиваются, превращаясь в хаотичное световое пятно, и расшифровать исходные данные становится крайне сложно.

Команда профессора Юргена Чарске нашла решение. Они создали нейросеть, которая за доли секунды восстанавливает исходные сигналы всего по одному изображению, без сложных измерений. Алгоритм работает на компактном и энергоэффективном FPGA-чипе, потребляя всего 2,4 Вт — в разы меньше, чем аналоги на видеокартах.

Результаты опубликованы в издании Light: Advanced Manufacturing.

Эксперимент подтвердил: система точно восстанавливает до шести мод с точностью выше 97%. Это открывает двери для:

• сверхбыстрых оптоволоконных сетей,
• медицинских эндоскопов с мгновенной обработкой изображений,
• датчиков, устойчивых к вибрациям.

Главный прорыв — устранение «фазовой неопределенности». Раньше из-за нее данные могли искажаться, но теперь нейросеть учитывает относительные фазы высших мод, что гарантирует точный результат даже при случайных помехах.

Технология компактна и экономична, поэтому ее можно встраивать даже в медицинское оборудование или промышленные системы, где важны каждый ватт и каждый миллиметр.

Это исследование решает конкретные боли:

• Телекоммуникации: увеличит пропускную способность сетей без прокладки новых кабелей.
• Медицина: эндоскопы смогут передавать четкие изображения в реальном времени, даже если пациент двигается.
• Промышленность: виброустойчивые датчики упростят мониторинг мостов, турбин и других критических объектов.

Но главное — энергоэффективность. Современные дата-центры пожирают гигаватты, а здесь обработка сигналов требует мощности лампочки.

Пока система тестировалась только на шести модах. В реальных сетях их могут быть десятки — выдержит ли архитектура масштабирование? Кроме того, обучение нейросети требует синтетических данных. Если реальные условия окажутся сложнее, точность может упасть.

Ранее ученые разработали новый способ передачи данных, который экономит энергию и время.