Physik-informierte Deep-Learning-Systeme für die sichere Informationsübertragung mit Multimode-Fasern

• Antragsteller: Professor Dr.-Ing. Jürgen W. Czarske
• Fachliche Zuordnung: Messsysteme ; Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 560574412

Das Ziel des Reinhart Koselleck-Projektes ist es, die Informationsübertragung durch Multimodefasern (MMF) als lichtstreuendes Medium unter erstmaliger Nutzung von Physik-basierten Deep Learning zu untersuchen. Die Lichtstreuung in MMF soll nicht nur gemessen werden, sondern für die sichere Informationsübertragung gezielt genutzt werden. Die faseroptische Kommunikationstechnologie bildet das Rückgrat des Internets. Fortschritte sind nicht nur für das weitere exponentielle Wachstum der Datenraten wichtig, sondern insbesondere für die Datensicherheit. Die Nutzung der vielen Moden von MMF im Vergleich zu Singlemodefasern ermöglicht eine Erhöhung der Datenraten durch räumliches Multiplexing. Allerdings gibt es Hindernisse für die Informationsübertragung in MMF aufgrund von Modenübersprechen (Streuung), das zu Interferenzen zwischen den Informationskanälen insbesondere bei großen Faserlängen führt. Diese Herausforderung wird im Koselleck-Projekt durch neuartige KI-basierte Messsysteme angegangen. Künstliche neuronale Netze ahmen die Funktion biologischer neuronaler Netze nach und sollen zur Messung der optischen Übertragungsmatrix (TM) der MMF verwendet werden, wobei die lernbaren Parameter exponentiell mit der Modenzahl steigen. Ein Paradigmenwechsel im Bereich des physikbasierten Deep Learning wird sowohl mit „Physics Prior“, das datengesteuerte Algorithmen mit physikalischen Modellen zusammenführt, als auch mit „Physics in the Network“, einem optischen diffraktiven Deep Neural Network (ODNN), das Deep Learning mit diffraktiver Optik kombiniert, verfolgt. Optische neuronale Netze werden trainiert durch künstliche Intelligenz, operieren aber ohne energiehungrige GPUs. ODNN weisen einen vernachlässigbare Energieverbrauch auf und stellen damit für eine nachhaltige Datenverarbeitung einen Paradigmenwechsel dar. Die Echtzeitmessung der Transformationsmatrix (TM) von MMF durch physikbasierte neuronale Netzwerke liefert Kanalinformationen zwischen den Teilnehmern, die mit der inversen TM durch Physical Layer Security (PLS) ausgenutzt werden. Es bietet eine quantensichere Verschlüsselung im Gegensatz zur klassischen Kryptografie. Anstelle der Post-Quanten-Kryptografie werden physikalische Gesetze nicht nur mit PLS, sondern insbesondere mit der Quantenschlüsselverteilung (QKD) unter Verwendung nichtklassischen Lichts ausgenutzt, was aufgrund des No-Cloning-Theorems einzelner Photonen Sicherheit garantiert. Die Vision des Projekts besteht darin, Terra incognita bei der Informationsübertragung durch MMF unter Verwendung neuartiger Messsysteme und klassischem und nichtklassischem Licht zu erforschen und auszunutzen, um die Kapazität und Sicherheit der Kommunikation zu verbessern.

• DFG-Verfahren: Reinhart Koselleck-Projekte