本技术涉及涡旋光束波前像差预测,通过收集不同湍流条件下激光相控阵系统的光斑数据,并利用这些数据训练深度学习模型,实现对涡旋光束波前像差的准确预测。
背景技术
近年来,随着激光相控阵自适应光学技术的迅速发展,为高功率相干合成涡旋(Coherent Synthetic Vortex,CSV)光束的产生及湍流条件下的波前校正提供了全新的途径。通过激光相控阵实现多束中等功率激光的光场调控,不仅能校正大气传输中的波前像差,还可在目标表面形成定制化的高能轨道角动量模式涡旋光束。目前,激光相控阵在CSV光束生成和湍流环境下阵列激光波前像差校正方面的研究已取得显著进展,2018年,Kolosov等人对6单元激光相控阵系统进行光场调控,获得了拓扑荷数为+1和-1的CSV光束。2019年,支冬等人对6单元激光相控阵做近场光场调控后在变换透镜的焦平面获得了CSV光束。2023年,邹凡等人以6单元激光相控阵进行先相干合成再螺旋调相的方法也获得了一阶CSV光束。然而,大气湍流引入的波前畸变将使CSV光束的模式纯度发生退化,这将影响其实际应用。基于深度神经网络有望通过对远场光斑迅速计算出所需的近场相位调制量,进而实现波前校正。2020年,侯天悦等人利用深度学习方法基于19单元激光相控阵实现了CSV光束的生成。2021年,Dan Wang等人实现了81路光纤激光的相干合成。2022年,笔者基于深度学习方法实现了61路光纤激光的相干合成。
然而,相控阵系统实时性对波前校正能力的影响不容忽视,在实际系统中相位调制模块的响应延迟将导致其仅能修正过去时刻的CSV光束的畸变波前。虽然闭环带宽可以通过增加探测器的采样频率得以提升,但这同时带来了弱光条件下难以适应以及系统硬件成本增大的问题。若可根据过去和当前的湍流分布来预测未来的湍流分布,并将其转化为相位调制器的校正量,则能有效抵消相控阵系统的时延误差,在相同的采样频率下提升系统的校正性能。
因此需要对以上问题提出一种新的解决方案。
实现思路