衍射深度神经网络下轨道角动量态的校正

作     者：陈侃松 刘柏麟 韩成昊 赵生妹 王乐 詹海潮 Chen Kansong;Liu Bailin;Han Chenghao;Zhao Shengmei;Wang Le;Zhan Haichao

作者机构：南京邮电大学通信与信息工程学院南京江苏210023 固体微结构物理国家重点实验室南京江苏210008 

基　　金：国家自然科学基金(62375140,61871234) 固体微结构物理国家重点实验室开放课题(M36055) 

出 版 物：《光学学报》 (Acta Optica Sinica)

年 卷 期：2023年第43卷第24期

页      码：79-87页

摘      要：衍射深度神经网络(D2NN)通过无源衍射层的深度学习,可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量(OAM)态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练,更新和优化组件中各参数,直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值,便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明:D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响,通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正;当大气湍流强度为10^(-14) m^(-2/3)、D2NN网络层层数为8时,组件性能最佳,其损失函数相比5层网络层的D2NN降低超过45.45%;而对于更强大气湍流的干扰,可以通过增加网络训练时的迭代次数来提高校正的准确度,迭代20次后损失函数的值降低率达到98.03%;对于湍流强度较弱的干扰,训练时采用纯相位参数,组件的性能更优;而对于强湍流的干扰,训练时采用相位参数与振幅参数两者相结合的方法,组件的性能更优;除此之外,OAM态的拓扑荷值越小,校正后的失真度越小。

主 题 词：衍射深度神经网络 无源衍射层 轨道角动量态 大气湍流 相位屏 

学科分类：070207[070207] 07[理学] 08[工学] 0803[工学-仪器类] 0702[理学-物理学类] 

核心收录：

D　O　I：10.3788/AOS230663

馆 藏 号：203125154...