XiaoMi-AI文件搜索系统
World File Search System光通
自由空间光学 (FSO) 白皮书
FSO 使用光信号作为载波频率，通过大气提供点对点通信信息传输。由于其成本效益高、易于安装、快速建立通信链路（尤其是在灾害管理场景中）、高带宽配置和广泛的应用范围，它在电信行业引起了关注。其运行的频率范围使 FSO 通信无需许可。使用 FSO 通信，最大数据传输速率可达 2.5 Gbps，而 RF 通信系统提供的最大数据传输速率仅为 622Mbps。FSO 涉及使用空气作为传输介质的语音、视频和数据的光传输。使用 FSO 技术的传输相对简单。它涉及两个系统，每个系统都由一个光收发器组成，该光收发器由激光发射器和接收器组成，以提供全双工（双向）功能。每个 FSO 系统都使用高功率光源（例如激光）和一个望远镜，该望远镜将光通过大气传输到另一个接收信息的望远镜。此时，接收望远镜通过光纤连接到高灵敏度接收器。 2.0 什么是自由空间光传输系统？ 自由空间光传输系统是一种无线连接形式，用于连接具有直接视线的两个点。该系统通过获取标准数据或电信信号、将其转换为数字格式并通过自由空间传输来运行。用于传输此信号的载波是红外线，由高功率 LED 或激光二极管产生。信号沿光纤传输的基本原理与通过自由空间传输的基本原理相同。 自由空间光学子系统
GeSn/Ge 多量子 - DR-NTU
（1）577 Richardson, DJ 填充光导管。Science 2010 ，330 ，327 − 578 328。 （2）579 Desurvire, E.; 等人。21 世纪光通信中的科学和技术挑战。Comptes Rendus Physique 2011 ，12 ，581 387 − 416。 （3）582 Soref, R. 实现 2 μ m 通信。Nature Photonics 583 2015 ，9 ，358 − 359。 （4）584 Li, Z.; Heidt, A.; Daniel, J.; Jung, Y.; Alam, S.-U.; Richardson, D. 585 J. 用于 2 μ m 光通信的掺铥光纤放大器。 586 Optics Express 2013 , 21 , 9289 − 9297。（5）587 Roberts, PJ; Couny, F.; Sabert, H.; Mangan, BJ; Williams, D. 588 P.; Farr, L.; Mason, MW; Tomlinson, A.; Birks, TA; Knight, JC; 589 Russell, PS 空芯光子晶体光纤的极低损耗。590 Optics express 2005 , 13 , 236 − 244。（6）591 Zhang, H.; et al. 100 Gbit/s WDM 传输 (2 μ m)：592 低损耗空芯光子带隙光纤和实心光纤的传输研究。 Optics Express 2015 , 23 , 4946 − 4951。（7）594 Li, Z.；Heidt, A.；Simakov, N.；Jung, Y.；Daniel, J.；Alam, S.；595 Richardson, D. 二极管泵浦宽带掺铥光纤放大器，用于 1800 − 2050 nm 窗口的光通信。597 Optics express 2013 , 21 , 26450 − 26455。（8）598 Frehlich, R.；Hannon, SM；Henderson, SW 2 μ m 相干多普勒激光雷达在风测量中的性能。大气与海洋技术杂志1994, 11, 1517−1528。 （9） Taczak, TM; Killinger, DK 研制出一种可调、窄线宽、连续2.066μm Ho：YLF激光器，用于遥感大气中的 CO2 和 H2O。应用光学1998, 37, 8460−8476。
“人工智能的光学和光学的人工智能”特刊
我们生活在一个信息爆炸和数字革命的时代，这导致了生活不同方面的技术快速发展。人工智能（AI）在这场数字化转型中发挥着越来越重要的作用。AI应用需要具有低延迟连接的边缘云计算，而其中最大的挑战是它需要大量的计算机处理能力。最近，基于光学硬件的AI实现[1-5]因其从根本上降低功耗和加快计算速度而成为热门话题。另一方面，作为现代电信和数据通信的基础，光网络变得越来越复杂，数据和连接越来越多。生成、传输和恢复如此大容量的数据需要具有高性能、高成本和高功耗效率的先进信号处理和网络技术。AI对于表现出复杂行为的系统的优化和性能预测特别有用[6-20]。在这方面，传统的信号处理算法可能不如AI算法高效。人工智能方法近期已进入光学领域，涉及量子力学、纳米光子学、光通信和光网络。特刊旨在将光学和人工智能结合起来，以应对各自面临的难以单独解决的挑战。特刊精选了 12 篇论文，代表了光学和人工智能相结合领域令人着迷的进展，从光子神经网络 (NN) 架构 [5] 到人工智能在光通信中的进展，包括物理层收发器信号处理 [10-17] 和网络层性能监控 [18,19]，以及人工智能在量子通信中的潜在作用 [20]。光子神经网络架构：石斌等人提出了一种基于广播和权重方法的新型光子加速器架构，通过光子集成交叉连接实现深度 NN [5]。测试了一个用于图像分类的三层 NN，结果表明每个光子神经层都可以达到高于 85% 的准确率。它为设计可扩展到更高维度的光子 NN 以解决更高复杂度的问题提供了见解。正如书中所反映的那样，人工智能的应用，尤其是机器学习在光通信领域的应用更受欢迎。在物理收发器层，讨论最多的话题是使用机器学习来减轻从短距离到长距离应用的光通信系统中的各种线性和非线性影响。用于短距离光通信的人工智能：对于短距离可见光通信，陈晨等人引入了一种概率贝叶斯学习算法来补偿发光二极管