Vector modes are spatial modes that have spatially inhomogeneous states of polarization, such as, radial and azimuthal polarization. They can produce smaller spot sizes and stronger longitudinal polarization components upon focusing. As a result, they are used for many applications, including optical trapping and nanoscale imaging. In this work, vector modes are used to increase the information capacity of free space optical communication via the method of optical communication referred to as mode division multiplexing. A mode (de)multiplexer for vector modes based on a liquid crystal technology referred to as a q-plate is introduced. As a proof of principle, using the mode (de)multiplexer four vector modes each carrying a 20 Gbit/s quadrature phase shift keying signal on a single wavelength channel (~1550nm), comprising an aggregate 80 Gbit/s, were transmitted ~1m over the lab table with <-16.4 dB (<2%) mode crosstalk. Bit error rates for all vector modes were measured at the forward error correction threshold with power penalties < 3.41dB.

In this work, it is experimentally demonstrated that the nonseparability of vector beams (e.g., radial and azimuthal polarization) can be used to encode information for optical communication. By exploiting the nonseparability of a vector beam’s space and polarization degrees of freedom using conventional wave plates, it is shown that 2 bits of information can be encoded when applying the identity and three Pauli operators to its polarization degree of freedom. It is also shown that vector beams can be efficiently decoded with as low as 2.7% cross talk using a Mach–Zehnder interferometer that exploits a higher-order Pancharatnam–Berry phase and liquid crystal q-plates.

Abstract Mode division multiplexing (MDM)– using a multimode optical fiber’s N spatial modes as data channels to transmit N independent data streams – has received interest as it can potentially increase optical fiber data transmission capacity N-times with respect to single mode optical fibers. Two challenges of MDM are (1) designing mode (de)multiplexers with high mode selectivity (2) designing mode (de)multiplexers without cascaded beam splitting’s 1/N insertion loss. One spatial mode basis that has received interest is that of orbital angular momentum (OAM) modes. In this paper, using a device referred to as an OAM mode sorter, we show that OAM modes can be (de)multiplexed over a multimode optical fiber with higher than −15 dB mode selectivity and without cascaded beam splitting’s 1/N insertion loss. As a proof of concept, the OAM modes of the LP 11 mode group (OAM −1,0 "Equation missing" and OAM +1,0 ), each carrying 20-Gbit/s polarization division multiplexed and quadrature phase shift keyed data streams, are transmitted 5km over a graded-index, few-mode optical fibre. Channel crosstalk is mitigated using 4 × 4 multiple-input-multiple-output digital-signal-processing with <1.5 dB power penalties at a bit-error-rate of 2 × 10 −3 .

With its high area density, bit-patterned media recording (BPMR) is emerging as a leading technology for next-generation storage systems. However, as area density increases, magnetic islands are positioned closer together, causing significant two-dimensional (2D) interference. To address this, detection methods are used to interpret the received signal and mitigate 2D interference. Recently, the maximum a posteriori (MAP) detection algorithm has shown promise in improving BPMR performance, though it requires extrinsic information to effectively reduce interference. In this paper, to solve the 2D interference and improve the performance of BPMR systems, a model using low-density parity-check (LDPC) coding was introduced to supply the MAP detector with the needed extrinsic information, enhancing detection in a joint decoding model we call MAP–LDPC. Additionally, leveraging similarities between LDPC codes and graph neural networks (GNNs), we replace the traditional sum–product algorithm in LDPC decoding with a GNN, creating a new model, MAP–GNN. The simulation results demonstrate that MAP–GNN achieves superior performance, particularly when using the deep learning-based GNN approach over conventional techniques.