Full-Field Mode Sorter for Optical Knots

Resumen Técnico: Clasificador de Campo Completo para Nudos Ópticos

Planteamiento del Problema
Los nudos ópticos —campos de luz topológicamente estructurados donde las singularidades de fase o polarización trazan trayectorias entrelazadas o anudadas— representan un alfabeto de alta dimensión prometedor para la información óptica y la comunicación cuántica. Sin embargo, su aplicación práctica se ve obstaculizada por la falta de un método de lectura robusto. A diferencia de los modos espaciales estándar (por ejemplo, el Momento Angular Orbital) que poseen índices modales claros, los nudos ópticos son generalmente no ortogonales y carecen de un índice definitorio único. Esta no ortogonalidad y la complejidad de sus perfiles de campo hacen que los clasificadores analíticos tradicionales específicos de modo sean ineficaces, lo que provoca un alto nivel de diafonía (crosstalk) y mapeos degenerados donde distintos nudos producen patrones de salida idénticos.

Metodología
Los autores proponen un clasificador de modo de campo completo de prueba de concepto que utiliza uno o dos elementos de fase optimizados (máscaras de fase) para distinguir nudos ópticos. El enfoque adapta la arquitectura de los clasificadores de campo completo utilizados anteriormente para modos transversales generales, pero ajusta la optimización específicamente para la naturaleza no ortogonal de los nudos.

• Alfabeto Óptico: El estudio se centra en un alfabeto de tres nudos específicos: el enlace de Hopf, el trebol y el cinquefoil. Estos se generan mediante polinomios de Milnor ponderados por Gauss, donde los parámetros de forma controlan la geometría del nudo.
• Arquitectura del Clasificador: El dispositivo emplea un esquema de medición óptica lineal. Utiliza ya sea un único plano de fase seguido de una lente ($U_1$) o dos planos de fase separados por propagación y lentes ($U_2$). Las máscaras de fase actúan como operadores multiplicativos $\Phi_j(r) = \exp(i\phi_j(r))$.
• Estrategia de Optimización: Las máscaras de fase se optimizan utilizando un Algoritmo Genético (GA). La función de aptitud es una métrica escalar de fitness ($F$) derivada directamente de las distribuciones de intensidad de salida, equilibrando tres factores:
  1. Contraste de Clasificación Equilibrado ($C_b$): Recompensa la asignación correcta mientras penaliza la fuga, con una ponderación específica para el canal con peor desempeño para asegurar un rendimiento uniforme en todo el alfabeto.
  2. Penalización de Error Motivada por la Comunicación ($R_d$): Basada en la tasa promedio de error de símbolo, que representa el potencial de la tasa de clave secreta para estados de alta dimensión.
  3. Distinguibilidad Basada en el Determinante ($V_P$): Un factor $|\det(p)|$ que penaliza las soluciones donde diferentes nudos de entrada mapean a distribuciones de salida linealmente dependientes, evitando así mapeos degenerados.
• Simulación y Pruebas: Se realizaron simulaciones numéricas (longitud de onda de 780 nm, rejilla de 128x128) para generar las máscaras de fase. El rendimiento del clasificador se comparó con condiciones ideales y diversas imperfecciones experimentales, incluyendo rotaciones de entrada, traslaciones transversales y aberraciones de fase (modeladas mediante polinomios de Zernike); también se realizó una simulación de un canal submarino real utilizando coeficientes promedio de Zernike.

Resultados Clave

• Rendimiento de Clasificación:
  • Clasificador de Plano Único: Clasificó combinaciones de dos nudos (por ejemplo, cinquefoil y enlace de Hopf) con eficiencias entre el 18% y el 28% y probabilidades de clasificación ($P$) superiores al 90%. El rendimiento fue inversamente correlacionado con el solapamiento modal del par de nudos específico. La clasificación de los tres nudos simultáneamente con un solo plano produjo una eficiencia menor (7%) y una capacidad de clasificación (80%), lo que resalta las limitaciones fundamentales para los modos no ortogonales.
  • Clasificador de Dos Planos: El uso de dos planos de fase optimizados mejoró significativamente el rendimiento. Para combinaciones de dos nudos, las eficiencias alcanzaron el 25–35% con $P > 95\%$. Para el alfabeto completo de tres nudos, el sistema logró una eficiencia del 13% y una capacidad de clasificación del 93%, demostrando que se puede mantener una alta distinguibilidad incluso cuando aumenta la dimensionalidad.
• Robustez:
  • Rotaciones: El clasificador exhibió una modulación en la diafonía dependiente del ángulo de rotación, con frecuencias de modulación correspondientes a las propiedades topológicas de los nudos (por ejemplo, cinco veces para el cinquefoil).
  • Traslaciones: El rendimiento disminuyó a medida que el haz de entrada se alejaba del centro, aunque el declive no fue radialmente simétrico y varió según el tipo de nudo.
  • Aberraciones: El clasificador se mantuvo robusto bajo aberraciones de fase (por ejemplo, modos de Zernike), siempre que la apertura de la aberración no fuera demasiado pequeña en relación con la cintura del haz. Sin embargo, la disminución del tamaño de la apertura o el aumento de la fuerza de la aberración causó caídas significativas en la eficiencia y la capacidad de clasificación.
  • Canal del Mundo Real: En un canal submarino simulado, el clasificador mantuvo una baja diafonía (por ejemplo, 0.48% para el alfabeto de 3 nudos) y eficiencias promedio alrededor del 13.8%, con errores por debajo de los umbrales de seguridad estándar.

Significado y Reivindicaciones
El artículo afirma proporcionar el primer clasificador de campo completo diseñado específicamente para luz estructurada topológicamente. Su principal significancia radica en:

1. Extensión de las Capacidades de Clasificación: Extiende con éxito la clasificación de modos ópticos de campo completo a los nudos ópticos, una clase de campos previamente difíciles de clasificar debido a su no ortogonalidad y la falta de índices modales.
2. Lectura Práctica: Ofrece una ruta de lectura viable para la comunicación óptica de alta dimensión basada en nudos, demostando que los nudos distintos pueden distinguirse con baja diafonía utilizando elementos de fase mínimos.
3. Guías Empíricas: El trabajo proporciona una prescripción empírica para el modelado de nudos para lograr una distinguibilidad teórica óptima.
4. Limitaciones y Direcciones Futuras: Los autores señalan modestamente que el método actual depende de la información de campo en un solo plano transversal en lugar de invariantes topológicos. Sugieren que las mejoras futuras podrían involucrar canales de salida auxiliares para capturar contribuciones inconclusas o el uso de redes neuronales difractivas lineales, pero no afirman que estos estén implementados actualmente.

El estudio concluye que, si bien la eficiencia de clasificación disminuye con una mayor dimensionalidad, la capacidad de clasificación (distinguibilidad) se mantiene robusta, lo que convierte al clasificador propuesto en un componente viable para sistemas de comunicación cuántica de alta dimensión que involucren nudos ópticos.