随着 AI、海量数据分析以及云计算带来的全球数据流量呈指数级增长，当前广泛部署的单模光纤（SMF）通信网络正逐渐逼近其 香农容量极限（Shannon Capacity Limit）。在这样的背景下，利用多模光纤（MMF）的空间分复用（SDM）技术被认为是实现下一代带宽突破的重要方向。原因在于：一根多模光纤能够同时承载多个彼此正交的横向模式，实现并行传输，从而显著提升通信容量。
然而，多模光纤在信号传播过程中会发生随机模式耦合，原本独立的模式会被混合成复杂的散斑图样（speckle patterns）。这种混合效应会大幅增加接收端进行信号恢复与模式解复用的难度。尽管传统的数字信号处理（DSP）算法在理论上能够完成模式分离，但其计算复杂度会随着模式数量的增加而迅速上升，使得在高容量多模光纤网络中几乎难以实际部署。
来自德国德累斯顿工业大学（Technical University of Dresden）测量与传感系统技术研究组（MST）的 Jürgen Czarske 教授团队提出了一种新的解决思路：基于 FPGA 加速的深度学习模式分解引擎。该系统通过专门设计的卷积神经网络（CNN），在大量合成数据集上进行训练，使模型能够仅根据一张强度图像直接推断各个空间模式的振幅及相对相位，从而无需传统的相干探测过程。
实验装置示意图：空间光调制器（SLM）生成定制的模式叠加光场；多模光纤（MMF）在传播过程中对光场进行随机混合；相机用于捕获从多模光纤输出端产生的散斑图样。这些图像数据被实时传输到板载 FPGA，由其运行量化卷积神经网络（CNN），实现实时模式分解。（图片来源：Qian Zhang、Yuedi Zhang 等）
为了满足实时应用需求，研究团队将神经网络进行了量化处理（network quantization），并部署到低功耗 FPGA 平台上。这样不仅显著降低了推理延迟，还大幅减少了能耗。实验结果显示，该系统能够在仅 2.4 W 功耗下实现超过 100 帧/秒的实时处理速度，相比之下，基于 GPU 的方案通常需要数十瓦功耗。
为了验证这一方案，研究人员搭建了一套完整的实验平台，其中包括：
空间光调制器（SLM）：生成可控的模式叠加光场
高精度六轴光纤耦合平台：实现精确耦合
多模光纤（MMF）：用于传播并产生模式混合
高灵敏度红外相机：采集多模光纤输出端的散斑图样
相机采集到的散斑图像被实时传输至 FPGA，由其运行量化 CNN 进行实时模式分解。实验结果表明，该系统能够稳定地恢复最多六个空间模式的复数光场信息，重建精度超过 97%。这一能力为多种应用场景打开了可能，包括：
闭环自适应光学系统
超高密度空间分复用光通信链路
低延迟光纤传感系统解调
该研究的一个关键创新点在于解决相位不确定性问题。传统基于强度图像的训练数据通常会受到全局相位模糊（global phase ambiguity）的影响。研究团队通过利用高阶模式之间的相对相位信息，成功消除了这种歧义，使得网络输出具有唯一且物理上可解释的解，即使整体相位发生漂移也不会影响结果。
由于 FPGA 具备可重构性、体积紧凑以及低功耗特性，该平台可以直接集成到工业设备或医疗设备中，在空间、功耗和散热预算严格受限的环境下依然能够稳定运行。
这项技术不仅有望推动高容量光通信系统的发展，同时也将在多个领域产生即时影响，例如：
实时内窥镜成像
抗振动光纤传感系统
需要快速且高能效相位恢复的各类光学应用
总体而言，这种 “FPGA + 深度学习”的模式分解架构为多模光纤系统的实时信号恢复提供了一条高效路径，也为下一代高带宽通信网络打开了新的技术空间。
本文编译自：Techbriefs