AI-Driven Spatiotemporal Decoding of Counter-Propagating OAM States for Highly Resilient Physical-Layer Security

Technische Samenvatting: AI-gestuurde Spatiotemporele Decodering van Tegenstroom-propagerende OAM-toestanden

Probleemstelling
Conventionele optische communicatienetwerken naderen de niet-lineaire Shannon-limiet, waarbij zij te maken krijgen met capaciteitsbeperkingen en kwetsbaarheden voor fysieke interceptie. Hoewel Space Division Multiplexing (SDM) met behulp van Orbital Angular Momentum (OAM) theoretisch oneindige orthogonale kanalen biedt, wordt de praktische implementatie ervan gehinderd door modale dispersie, inter-modale crosstalk en fasevervormingen. Deze verstoringen ontstaan door fabricage-imperfecties in fotonische geïntegreerde circuits (PIC's) en atmosferische turbulentie in Free-Space Optics (FSO). Bovendien laat de afhankelijkheid van algoritmische cryptografische protocollen de infrastructuur blootgesteld aan toekomstige kwantumcomputer-decryptiebedreigingen. De kernuitdaging is het ontwikkelen van een fysieke-laag architectuur die inherent veilig is en veerkrachtig tegen ernstige hardware-imperfecties en ruis, zonder te vertrouwen op complexe, foutgevoelige optische hardware voor signaal-equalisatie.

Methodologie: De OAM-NET Architectuur
Het artikel stelt "OAM-NET" voor, een hybride spatiotemporeel netwerk dat is ontworpen om de last van signaal-equalisatie te verplaatsen van optische hardware naar software-gedefinieerde neurale netwerken. De methodologie steunt op drie primaire componenten:

1. Tegenstroom-propagerende OAM-superpositie: In plaats van variabele ruimtelijke modi te verzenden, maakt het systeem gebruik van de coherente superpositie van hoog-orde, tegenstroom-propagerende topologische ladingen ($l = +21$ en $l = -21$). Deze interferentie creëert een stabiel, bloembladachtig intensiteitspatroon.
2. Rotationele Doppler-codering: Informatie wordt niet gecodeerd in de ruimtelijke vorm, maar in de rotationele fasesnelheid van het interferentiepatroon, gestuurd door het Rotationele Doppler-effect. Datalast wordt toegewezen aan een specifieke harmonische sequentie van rotationele snelheden: $v \in \{9, 6, 3\}$. Het temporele interferentiesignaal $I(t)$ wordt gedefinieerd door de frequentieverschuiving die voortvloeit uit het verschil in topologische lading ($\Delta l = 42$), gemodelleerd als $I(t) \propto \cos(2\pi \cdot v \cdot \Delta l \cdot t + \phi_{drift}) + N(t)$, waarbij $\phi_{drift}$ rekening houdt met hardware-instabiliteit en $N(t)$ de kanaalruis vertegenwoordigt.
3. AI-gestuurde Decodering (Bi-LSTM): Om gecodeerde toestanden onder ongunstige omstandigheden te reconstrueren, wordt een Bidirectional Long Short-Term Memory (Bi-LSTM) neuraal netwerk ingezet. De architectuur bevat:
   • Een inputlaag voor sequentiële spatiotemporele interferentiedata.
   • Twee verborgen Bi-LSTM-lagen (64 en 32 eenheden) met 0.3 dropout-regularisatie om overfitting te voorkomen.
   • Een dense outputlaag met Softmax-activatie voor multi-class classificatie van de spiraalsnelheden.
     De bidirectionele structuur stelt de decoder in staat om de tijdreeksdata in zowel voorwaartse als achterwaartse richting te verwerken, waardoor transiënte faseschuivingen veroorzaakt door modale dispersie worden opgevangen.

Belangrijkste Bijdragen

• Fysieke-laag Beveiliging via Topologische Voetafdrukken: Het artikel introduceert een beveiligingsmechanisme waarbij data wordt toegewezen aan unieke harmonische sequenties. Ongeautoriseerde interceptie wordt ineffectief omdat de hoog-dimensionale interferentiepatronen, zonder de specifieke getrainde neurale gewichten van de Bi-LSTM-ontvanger, wiskundig ononderscheidbaar zijn van achtergrondruis.
• Software-Gedefinieerde Equalisatie: Het werk demonstreert dat deep learning fysieke hardwarefouten (zoals ruwheid van de wanden van een golfgeleider) en extreme atmosferische turbulentie wiskundig kan omzeilen, waardoor de noodzaak voor complexe optische correctiehardware vervalt.
• Veerkracht tegen Extreme Ruis: De architectuur is ontworpen om te functioneren onder Signal-to-Noise Ratios (SNR) van ongeveer 0 dB, waarbij de ruisamplitude gelijk is aan of de signaalamplitude overtreft.

Resultaten
Numerieke simulaties onderwierpen de OAM-NET-architectuur aan extreme stresstests, waarbij realistische hardware-imperfecties en ernstige FSO-turbulentie met Gaussische ruis die het originele signaal maskeert, werden gesimuleerd.

• Trainingsprestaties: Het Bi-LSTM-model werd getraind over 25 epochs met de Adam-optimizer en categorical cross-entropy loss.
• Decoderingsnauwkeurigheid: Ondanks extreme signaaldegradatie (SNR $\approx$ 0 dB), bereikte de decoder een stabiele nauwkeurigheid van 92,67%.
• Foutpercentages: Het model behield een minimale validatieverlies van 0,2333. De resterende bitfoutratio viel volledig binnen de corrigeerbare drempel van standaard Forward Error Correction (FEC) protocollen.
• Conclusie van de Simulatie: De resultaten bevestigen dat de AI-decoder betrouwbaar de topologische voetafdruk van de harmonische sequentie kan isoleren uit destructieve kanaalruis.

Betekenis en Claims
Het artikel claimt een theoretische en numerieke fundering te hebben gelegd voor een zeer veerkrachtige, decentralisatie-klaar infrastructuur voor Free-Space Optics en beveiligde fysieke-laag communicatie. Door succesvol fysieke signalen te decoderen onder extreme stresscondities, stelt de studie dat de combinatie van hoog-dimensionale tegenstroom-propagerende OAM-toestanden met AI-gestuurde spatiotemporele equalizers een robuuste oplossing biedt voor modale dispersie. De betekenis ligt in het bewijs dat fysieke hardwarebeperkingen kunnen worden overwonnen door middel van deep learning, wat een schaalbare en wiskundig beveiligde hardware-backbone biedt voor de volgende generatie optische netwerken.