基于机器学习的激光匀光整形方法

针对空间光调制器(spatial light modulator,SLM)激光匀光整形方法,提出了一种基于机器学习的激光匀光整形方法.激光匀光整形的初步方法采用Gerchberg-Saxton(G-S)算法生成相位全息图,并使用SLM将入射光调制为均匀光斑,但SLM的固有匀光误差严重限制光斑均匀性进一步提高.本文提出的机器学习方法能够实现对匀光误差进行补偿,从而提高光斑的均匀度.基于实验数据,通过监督学习回归任务建立了匀光目标图像和实验探测图像之间的映射关系,实验验证了对匀光误差进行补偿,对比传统SLM激光匀光整形方法,激光匀光不均匀度相对降低了13%,从而验证了误差补偿机器学习方法实现高均匀度激光匀光整形的可行性与有效性.本文能够为激光匀光整形方法提供基于机器学习的技术方法参考,对推动激光加工、光学成像、光镊等激光应用具有重要的技术价值.同时,也能够为人工智能解决光学问题提供问题牵引与方法参考.

“机器微纳光学科学家”:人工智能在微纳光学设计的应用与发展

微纳光学材料与器件是光通信、光传感、生物光子学、激光、量子光学等诸多光学领域的关键.目前微纳光学设计主要依赖传统数值方法,存在依赖计算资源、创新效率低、得到全局最优设计困难的难题,是当前微纳光学设计的瓶颈.人工智能(artificial intelligence,AI)目前已经在多个学科开展应用,带来了科学研究的新范式.本文从微纳光学设计对象、数据集构建、学习任务与算法以及性能度量四个方面对AI在微纳光学设计领域的应用进行综述.对AI在微纳光学研究中的难点及未来的发展趋势进行了分析与展望.