Das Prinzip der Single-Channel-Ein-Aus-Beziehung einer MMF kann durch eine Übertragungsmatrix beschrieben werden, wobei das Verhältnis zwischen Ein- und Ausgangsfeldern durch komplexe Zahlen dargestellt wird, die Amplituden- und Phaseninformationen im Raum kodieren. Wenn mehrere nicht-orthogonale Lichtfelder kombiniert werden, entsteht eine Mischung von Amplituden- und Phasencodierungen, die zu einem Ausgabe-Speckle am distalen Ende der MMF führt. Die Übertragungsmatrix für multiplexende Kanäle mit paralleler Polarisation kann nicht einfach durch eine Einzelaufnahmeintensität zurückgewonnen werden. Um diese Signale zu demultiplexen, werden datengetriebene Deep-Learning-Methoden verwendet, da bisher keine physikbasierte Theorie gefunden wurde, die dies effektiv erreichen kann.
Die Architektur des neuronalen Netzwerks besteht aus einem Fully Connected Layer und einem ResUnet34, dessen Vorteile in der Struktur liegen: Vor der Eingabe des Unets wird eine FC-Schicht verwendet, um die Anpassungs- und Generalisierungsfähigkeit des Netzwerks zu verbessern. Mehrere Skip-Verbindungen werden eingeführt, um eine reibungslose Datenübertragung zu gewährleisten. Das Netzwerk wird für ein realistisches Szenario mit nicht-orthogonalen optischen Multiplexing-Ergebnissen validiert, wobei n als 2 gewählt wird und vier multiplexte Kanäle für unabhängige Informationen entstehen.
Die Experimente zeigen, dass die SLRnet in der Lage ist, nicht-orthogonale optische Multiplexing-Signale aus einem einzelnen Speckle-Ausgang der MMF abzurufen, unabhängig von der Polarisation, Wellenlänge und Raumaufteilung der Eingangskanäle. Die erzielten Genauigkeiten für die Decodierung von Informationen zeigen die Effektivität des Netzwerks. Durch die Ergebnisse wird die Fähigkeit der SLRnet zur Demultiplexing von nicht-orthogonalen Eingabekanälen in der MMF unter Beweis gestellt.