基于加权共轭光场与量子神经网络的湍流畸变OAM信号物理引导混合解码框架

《IEEE Transactions on Quantum Engineering》：Physics-Informed Weighted Conjugate Light Field Processing and Quantum Neural Networks for Turbulence-Distorted OAM Beam Detection

　　

摘要：

使用轨道角动量（OAM）编码结构化光的光无线通信（OWC）实现了下一代自由空间链路的高维复用。然而，大气湍流引入了相位畸变、模态耦合和强度波动，显著降低了检测性能并增加了误码率（BER）。在本工作中，我们提出了一种基于加权共轭光场（W-CLF）和量子神经网络（QNN）的物理信息混合量子 - 经典框架，用于对湍流畸变的 OAM 信号进行鲁棒解码。所提出的 W-CLF 通过结合多域自适应加权、分数阶增强和多尺度特征提取，扩展了传统的共轭光场处理，以强调抗湍流的模态结构，同时抑制随机畸变。由此产生的表示由变分量子电路处理，在有限训练数据下执行紧凑的特征嵌入和基于测量的分类。数值模拟和桌面光学实验表明，所提出的框架实现了 6.10 × 10?? 的最小误码率，性能优于传统的基于 CLF 的接收机和深度学习接收机，同时所需的训练样本最多减少 50%。为了提供关于量子处理作用的物理见解，我们进一步进行了潜空间、量子比特扩展和参数效率分析，表明变分量子演化提高了特征可分性，并且与类似的经典模型相比，使用少得多的可训练参数即可实现具有竞争力的性能。这些结果突显了物理引导的量子增强表示学习在抗湍流光通信系统中的潜力。