一种涡旋电子模态识别系统、方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种涡旋电子模态识别系统、方法、装置及电子设备，系统包括涡旋电子产生模块、衍射放大模块、图像接收与采集模块、数据处理和识别模块、训练数据制备子模块、人工智能模型训练子模块和模态识别模块。涡旋电子产生模块产生的回旋电子与轨道角动量耦合产生携带不同模态OAM的涡旋电子波束；衍射放大模块衍射放大涡旋电子波束；图像接收与采集模块，用于接收衍射放大的涡旋电子波束并采集得到OAM场强分布图像；数据处理和识别模块接收OAM场强分布图像并进行OAM模态识别，所述数据处理和识别模块，本发明专利技术不仅实现涡旋电子轨道角动量模态识别，可以减小非线性畸变对识别结果的影响，识别准确率较高，且硬件复杂度和成本都很低。

【技术实现步骤摘要】
一种涡旋电子模态识别系统、方法、装置及电子设备
本专利技术属于人工智能及电磁波的轨道角动量(OrbitalAngularMomentum,OAM)无线通信
，具体涉及一种涡旋电子模态识别系统、方法、装置及电子设备。
技术介绍
比常规的电磁波通信，引入OAM可有效增加传输容量和频谱效率，缓解频谱资源紧张的局面，实现大容量高速传输。自由空间的光OAM通信系统面临着OAM光束生成器集成度低，光波受大气湍流、雾霾等环境因素影响大等特点。射频电磁波(300GHz以下)的OAM波束发散角大，难以实现长距离传输，且接收端OAM天线结构较为复杂，不易集成，成本也较高。区别于以上统计态OAM波束，使用量子态OAM进行通信则可以很好地解决上述问题。量子态OAM即通过涡旋电子携带的轨道角动量实现信息传输，文献(Zhang,C.,Xu,P.,&Jiang,X.(2020).Vortexelectrongeneratedbymicrowavephotonwithorbitalangularmomentuminamagneticfield.AIPAdvances,10,105230.)提出，基于量子电动力学(QuantumElectrodynamics，QED)理论，在发射端使用相对论回旋电子或者多电子可以直接辐射出携带OAM的电磁波，然后在接收端使用相对论电子吸收OAM量子态电磁波变为涡旋电子，通过识别涡旋电子的OAM模态来实现信息恢复。文献(Zhang,C.,Xu,P.&Jiang,X.Detectingsuperposedorbitalangularmomentumstatesinthemagneticfieldbythecrystaldiffraction.Eur.Phys.J.Plus136,60(2021).)给出一种相应的涡旋电子OAM模态识别方法：将涡旋电子经金箔衍射放大波束的尺度，再通过映射器和分选装置将不同模态OAM电子分离到不同的位置，然后由位置判决的方法实现恢复信息。在实际应用中，接收端回旋管产生的磁场并不能直接被截断，而是在衍射金箔到荧光屏中间逐渐衰减。因此，涡旋电子会受到剩余磁场的影响而发生偏移发生严重的非线性畸变，按理想磁场建模的基于器件的方法进行OAM模态分离的效果并不理想。此外，也可以使用图像采集装置，如CCD(ChargeCoupledDevice，电荷耦合器件)相机来收集电子OAM的衍射图像，然后通过图像识别的方式进行OAM模态识别并恢复信息，但常规图像识别方法只能提取图像的边缘等表层特征，不能很好地应对由剩余磁场带来的非线性畸变。表1对上述常见的涡旋电子OAM模态识别方法进行了对比，主要是基于器件的方法和图像处理方法两类，两种方法各有优劣，但都不能较好地抵抗涡旋电子衍射图像发生的非线性畸变。所以亟需提出一种新的可以应对磁场非线性畸变影响且保证较高识别准确率和低硬件复杂度的OAM电子模态识别系统。表1：涡旋电子OAM模态识别方法对比
技术实现思路
为了克服上述现有技术的不足，本专利技术提供了一种基于人工智能的涡旋电子模态识别系统，该系统通过在训练数据中引入大量畸变的OAM场强分布图像，并采用卷积提取神经网络进行深层特征提取。该系统可以在低成本和低硬件复杂度的前提下实现涡旋电子模态检测，且在图像发生严重畸变时仍能保证高识别准确率以及高识别速率，用于OAM量子态无线通信系统可以降低因接受端判别方法缺陷而造成的模态串扰。一种涡旋电子模态识别系统，包括：涡旋电子产生模块，用于产生回旋的电子，并与接收的OAM电磁波的轨道角动量耦合产生携带不同模态OAM的涡旋电子波束；衍射放大模块，用于衍射放大所述涡旋电子波束的尺寸；图像接收与采集模块，用于接收衍射放大的涡旋电子波束并采集得到OAM场强分布图像；数据处理和识别模块，连接于所述图像接收与采集模块之后，用于接收所述OAM场强分布图像并进行数据处理和OAM模态识别，所述数据处理和识别模块包括：训练数据制备子模块，用于产生受剩余磁场影响的包含非线性畸变的OAM场强分布图像作为人工智能模型训练子模块的训练数据，其中，所述剩余磁场是指涡旋电子产生模块产生的在衍射放大模块到图像接收与采集模块之间逐渐衰减的磁场；人工智能模型训练子模块，用于构建人工智能模型，并利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；模态识别子模块，使用所述验证识别准确率最高的人工智能模型对图像接收与采集模块采集的OAM场强分布图像进行实时OAM模态识别。可选的，用拉盖尔-高斯涡旋电子波束模拟沿z轴方向携带不同模态OAM的涡旋电子波束，其表达式为：其中是携带OAM的涡旋电子波束的波函数，是由径向量子数n和OAM模态数l决定的常数，是广义拉盖尔多项式，是束腰半径，其中是约化普朗克常数，e是元电荷，B是电子波束外部环境的磁感应强度，i是虚数单位，是柱坐标系的三个坐标变量，k是波数。可选的，所述涡旋电子产生模块产生的涡旋电子波束包括携带纯态OAM的涡旋电子波束，和/或多个混合态OAM的涡旋电子波束，其中，任一混合态OAM是多个纯态OAM组合而成。可选的，所述涡旋电子产生模块包括电源、回旋管、超导磁体，其中回旋管包括电子枪和电子回旋产生模块，超导磁体位于电子回旋产生模块外，电源为电子枪供电，电子枪发射并加速的电子进入电子回旋产生模块，在超导磁体的磁场作用下进行回旋运动，OAM电磁波将其轨道角动量耦合到回旋的电子上，从而产生携带不同模态OAM的涡旋电子波束；所述衍射放大模块包括对所述涡旋电子波束进行衍射放大的多金晶体薄膜；图像接收与采集模块包括荧光屏和相机，所述荧光屏用于接收经衍射放大后的涡旋电子波束，所述相机用于采集荧光屏上的图像作为OAM场强分布图像。可选的，所述训练数据包含受不同程度的剩余磁场影响的OAM场强分布图像，其中受所述剩余磁场影响产生的非线性畸变指的是OAM场强分布图像发生非线性发散和非线性会聚中的一种或多种情况。可选的，所述非线性发散和非线性会聚指的是，电子经所述剩余磁场畸变前后的两点距电子回旋中心O的距离满足下列关系：其中r和r'分别是畸变前后电子在柱坐标下距电子回旋中心O的距离，R是电子回旋运动的半径，β是电子回旋运动的圆心角，并且，畸变前后电子的位置相对于电子回旋中心O的偏转角度由下式得到：α＝arcsin(2R[sin(β/2)]2/r'2)。可选的，所述人工智能模型包括卷积神经网络、决策树、多分类支持向量机(SVM)和K近邻算法中一种或多种的组合。本专利技术还提供一种涡旋电子模态识别方法，包括如下步骤：涡旋电子产生模块在接收到自由空间传播的OAM电磁波后，耦合所述OAM电磁波的轨道角动量到回旋电子上产生携带不同模态OAM的涡旋电子波束；衍射放大模块对所述涡旋电子波束进行衍射放大；图像接收与采集模块包括荧光屏和相机，所述荧光屏接收衍射放大的涡旋电本文档来自技高网...

【技术保护点】
1.一种涡旋电子模态识别系统，其特征在于，包括：/n涡旋电子产生模块，用于产生回旋的电子，并与接收的OAM电磁波的轨道角动量耦合产生携带不同模态OAM的涡旋电子波束；/n衍射放大模块，用于衍射放大所述涡旋电子波束的尺寸；/n图像接收与采集模块，用于接收衍射放大的涡旋电子波束并采集得到OAM场强分布图像；/n数据处理和识别模块，连接于所述图像接收与采集模块之后，用于接收所述OAM场强分布图像并进行数据处理和OAM模态识别，所述数据处理和识别模块包括：/n训练数据制备子模块，用于产生受剩余磁场影响的包含非线性畸变的OAM场强分布图像作为人工智能模型训练子模块的训练数据，其中，所述剩余磁场是指涡旋电子产生模块产生的在衍射放大模块到图像接收与采集模块之间逐渐衰减的磁场；/n人工智能模型训练子模块，用于构建人工智能模型，并利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；/n模态识别子模块，使用所述验证识别准确率最高的人工智能模型对图像接收与采集模块采集的OAM场强分布图像进行实时OAM模态识别。/n

【技术特征摘要】
1.一种涡旋电子模态识别系统，其特征在于，包括：
涡旋电子产生模块，用于产生回旋的电子，并与接收的OAM电磁波的轨道角动量耦合产生携带不同模态OAM的涡旋电子波束；
衍射放大模块，用于衍射放大所述涡旋电子波束的尺寸；
图像接收与采集模块，用于接收衍射放大的涡旋电子波束并采集得到OAM场强分布图像；
数据处理和识别模块，连接于所述图像接收与采集模块之后，用于接收所述OAM场强分布图像并进行数据处理和OAM模态识别，所述数据处理和识别模块包括：
训练数据制备子模块，用于产生受剩余磁场影响的包含非线性畸变的OAM场强分布图像作为人工智能模型训练子模块的训练数据，其中，所述剩余磁场是指涡旋电子产生模块产生的在衍射放大模块到图像接收与采集模块之间逐渐衰减的磁场；
人工智能模型训练子模块，用于构建人工智能模型，并利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；
模态识别子模块，使用所述验证识别准确率最高的人工智能模型对图像接收与采集模块采集的OAM场强分布图像进行实时OAM模态识别。


2.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，用拉盖尔-高斯涡旋电子波束模拟沿z轴方向携带不同模态OAM的涡旋电子波束，其表达式为：



其中是携带OAM的涡旋电子波束的波函数，是由径向量子数n和OAM模态数l决定的常数，是广义拉盖尔多项式，是束腰半径，其中是约化普朗克常数，e是元电荷，B是电子波束外部环境的磁感应强度，i是虚数单位，ρ,z是柱坐标系的三个坐标变量，k是波数。


3.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，所述涡旋电子产生模块产生的涡旋电子波束包括携带纯态OAM的涡旋电子波束，和/或多个混合态OAM的涡旋电子波束，其中，任一混合态OAM是多个纯态OAM组合而成。


4.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，
所述涡旋电子产生模块包括电源、回旋管、超导磁体，其中回旋管包括电子枪和电子回旋产生模块，超导磁体位于电子回旋产生模块外，电源为电子枪供电，电子枪发射并加速的电子进入电子回旋产生模块，在超导磁体的磁场作用下进行回旋运动，OAM电磁波将其轨道角动量耦合到回旋的电子上，从而产生携带不同模态OAM的涡旋电子波束；
所述衍射放大模块包括对所述涡旋电子波束进行衍射放大的多金晶体薄膜；
图像接收与采集模块包括荧光屏和相机，所述荧光屏用于接收经衍射放大后的涡旋电子波束，所述相机用于采集荧光屏上的图像作为OAM场强分布图像。


5.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，所述训练数据包含受不同程度的剩余磁场影响的OAM场强分布图像，其中受所述剩余磁场影响产生的非线性畸变指的是OAM场强分布图像发生非线性发散和非线性会聚中的一种或多种情况。


6.根据权利要求5所述的一种涡旋电子模态识别系统，其特征在于，所述非线性发散和非线性会聚指的是，电子经所述剩余磁场畸变前后的两点距电子回旋中心O的距离满足下列关系：



其中r和r'分别是畸变前后...

【专利技术属性】
技术研发人员：张超，田菀玉，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11