Resumen Técnico: Redes de Autoatención para el Modelado de Espacios Latentes Compactos de Matrices de Fibra Óptica Dinámicas

Declaración del Problema

Las fibras ópticas multimodo (MMF) ofrecen una vía para la endoscopia médica ultra delgada y mínimamente invasiva capaz de realizar imágenes subcelulares en las profundidades del cuerpo. Sin embargo, la transmisión de luz a través de estas fibras inherentemente distorsiona las imágenes debido al acoplamiento modal. Si bien los métodos convencionales utilizan matrices de transmisión (TM) lineales precalibradas para corregir esta distorsión, estos fallan en escenarios reales dinámicos. Las perturbaciones físicas —como el movimiento de la fibra, las variaciones de temperatura y las flexiones— alteran la TM de forma continua. Además, la obtención de los pares de entrada-salida requeridos para la recalibración suele ser impracticable en entornos clínicos donde la punta de la fibra es inaccesible.

Los enfoques de redes neuronales existentes, particularmente las Redes Neuronales Convolucionales (CNN), tienen dificultades con esta tarea. Las CNN dependen del sesgo inductivo de las correlaciones locales de píxeles, un supuesto invalidado por las correlaciones de largo alcance presentes en las TM de las fibras. Estas correlaciones surgen tanto del acoplamiento modal no local físico como de la necesidad matemática de aplanar campos ópticos multidimensionales en representaciones matriciales. En consecuencia, las arquitecturas convencionales requieren recuentos de parámetros prohibitivamente grandes, carecen de robustez ante cambios en las bases de medición (por ejemplo, píxel vs. Fourier vs. Hadamard) y no logran capturar eficientemente la compleja dinámica de las fibras perturbadas.

Metodología

Los autores proponen un enfoque novedoso utilizando capas de autoatención para transformar dinámicamente las diversas TM de las fibras en representaciones de espacio latente compactas y de baja dimensión. La filosofía central sigue la premisa de que "la compresión es aprendizaje", donde la red aprende a mapear TMs grandes y complejas en un espacio latente disperso adecuado para tareas posteriores como la reconstrucción de imágenes o la estimación de flexión.

Generación de Datos y Conjuntos de Datos

El estudio valida el enfoque utilizando cuatro conjuntos de datos diversos de TMs de valores complejos de $78 \times 78$:

1. TM directas generadas aleatoriamente: Simuladas para exhibir alta dispersión y distribuciones de intensidad de potencia específicas típicas de fibras reales.
2. TM de ida y vuelta generadas aleatoriamente: Computadas como $T_r = T_f^T R T_f$, donde $R$ es una matriz de reflexión de dispersión. Estas representan matrices densas relevantes para la imagen de extremo único.
3. TM modeladas físicamente: Generadas utilizando un modelo de fibra segmentada que simula flexiones y curvaturas sobre longitudes de 0.6–1.2 m.
4. TM experimentales: Medidas mediante un montaje de holografía fuera de eje con un dispositivo de microespejos digitales (DMD) y una cámara CCD, cubriendo 164 conformaciones de flexión diferentes.

Arquitectura del Modelo

Los autores comparan varias arquitecturas para la transformación de la base:

• Transformación de Similitud Lineal: Una capa diferenciable que aprende una matriz de base $B$ para transformar $T' = B^{-1}TB$.
• Redes Neuronales Convolucionales (CNN): Convoluciones 2D estándar con activaciones LeakyReLU.
• Redes Neuronales Completamente Conectadas (FCNN): Capas densas con activaciones LeakyReLU.
• Solo Autoatención: Una única capa de autoatención.
• Autoatención + FCNN: El modelo híbrico propuesto donde un mecanismo de autoatención de múltiples cabezales precede a dos capas completamente conectadas.

Mecanismo Clave: Las TMs de entrada se tratan como secuencias de canales modales. El mecanismo de autoatención computa matrices de Consulta ($Q$), Clave ($K$) y Valor ($V$) para capturar dependencias de pares de largo alcance entre elementos, permitiendo al modelo aprender interacciones no locales sin el sesgo de localidad espacial de las CNN.

Restricciones de Entrenamiento

Para asegurar que la transformación sea físicamente significativa y reversible, los modelos se entrenan con una función de pérdida compuesta:

1. Restricción de Dispersión ($L_1$): Minimiza la norma $L_1$ de la matriz transformada para fomentar una representación latente dispersa.
2. Restricción de Invertibilidad ($L_2$): Un autoencoder reconstruye la TM original a partir de la representación transformada para asegurar la preservación de la información.
3. Restricción de Reconstrucción de Dispersión ($L_3$): Un segundo autoencoder asegura que el espacio latente comprimido contenga la información suficiente para reconstruir la matriz dispersa transformada.
4. Manejo de Números Complejos: Las partes real e imaginaria se separan, y se utiliza una función de pérdida personalizada invariante a los cambios de fase global.

Principales Contribuciones

1. Introducción de la Autoatención para el Modelado de TM: El artículo demuestra que los mecanismos de autoatención son excepcionalmente adecuados para modelar fibras ópticas porque capturan las correlaciones de largo alcance y no locales inherentes a las matrices de transmisión, las cuales las CNN pasan por alto.
2. Representación de Espacio Latente Compacto: El método propuesto transforma TMs densas y dispersas en representaciones altamente dispersas (razones de participación entre 0.01 y 0.11), reduciendo significativamente la dimensionalidad mientras preserva la invertibilidad.
3. Invariancia de la Base: La transformación aprendida mantiene la consistencia estructural a través de diferentes bases de medición (LP/PIM, Fourier, Hadamard), abordando una limitación crítica de los modelos anteriores que sufrían sobreajuste a bases específicas.
4. Robustez ante Perturbaciones Dinámicas: El modelo demuestra tolerancia a las perturbaciones dinámicas de la matriz de transmisión, manejando eficazmente escenarios donde el estado de la fibra cambia durante la medición (simulado mediante el intercambio de columnas en la TM).

Resultados

• Dispersión y Eficiencia: El modelo Autoatención + FCNN logró las razones de participación más bajas ($p \approx 0.03$ para matrices dispersas y $0.11$ para densas) y las proporciones de espacio latente más pequeñas (hasta un 3.22% para matrices densas), superando a las CNN, FCNN y modelos lineales.
• Precisión de la Reconstrucción: El modelo reconstruyó con éxito las TMs originales con errores de $\le 8\%$ para matrices dispersas y $\le 14\%$ para matrices densas. En contraste, las CNN exhibieron errores elevados (hasta un 32%) para matrices densas.
• Consistencia de Base Cruzada: La similitud de coseno entre matrices transformadas del mismo estado físico pero de diferentes bases fue significativamente mayor (aprox. 0.80) para el modelo de autoatención en comparación con las matrices originales (aprox. 0.65), lo que indica que el modelo aprende la estructura física subyacente en lugar de artefactos específicos de la base.
• Generalización: Un modelo entrenado en TMs perturbadas mediante simulación física generalizó con éxito a TMs medidas experimentalmente sin necesidad de reentrenamiento, reduciendo la razón de participación de 0.37 a 0.12.
• Robustez ante Perturbaciones: El modelo mantuvo errores de reconstrucción bajos (<22%) bajo perturbaciones dinámicas (intercambio de columnas) hasta una tasa del 13%, mientras que las CNN no lograron realizar la transformación no lineal de manera efectiva bajo estas condiciones.

Significancia y Reivindicaciones

Los autores afirman que este enfoque proporciona un marco flexible, eficiente en memoria y robusto para el modelado de TMs de fibra dinámicas. Al convertir matrices complejas de alta dimensión en espacios latentes compactos, el método facilita la imagen de fibra de extremo único, permitiendo potencialmente el despliegue de dispositivos de imagen del tamaño de una aguja.

El artículo enfatiza que el éxito de la autoatención radica en su capacidad para tratar las matrices de transmisión como secuencias estructuradas, aprendiendo transformaciones dependientes de la entrada que se adaptan a las perturbaciones. A diferencia de las bases lineales fijas o las CNN con sesgo de localidad, este enfoque dependiente de los datos captura el acoplamiento modal no local esencial para el modelado de fibras.

Los autores señalan modestamente que, si bien el modelo captura estructuras recurrentes, las variables latentes individuales aún no se han mapeado explícitamente a coordenadas físicas (por ejemplo, radios de curvación específicos); sin embargo, el trabajo sienta las bases para la corrección de distorsiones en tiempo real, la imputación de datos faltantes y la aplicación de técnicas similares de compresión de matrices a otros medios de dispersión. El artículo reconoce las limitaciones actuales, como el escalado cuadrático de la complejidad de la atención con el tamaño de la matriz y el uso de optimización de valores reales para matrices complejas, sugiriendo trabajos futuros en modelos de espacio de estados (por ejemplo, Mamba) y entrenamiento totalmente complejo.