大氣湍流或生物組織等介質會引起光場波前畸變，從而導致成像係統性能嚴重下降。為消除波前畸變影響，通常需要使用波前傳感器獲取波前畸變信息，並使用變形鏡或空間光調製器對波前畸變進行矯正，以獲得清晰的目標圖像。這種自適應光學技術被廣泛應用於天文觀測、自由空間光通信、眼底成像等。然而，波前傳感器成本高昂，且往往需要額外的引導光源。

　　近日，西北工業大學物理科學與技術學院趙建林教授團隊，與中國工程物理研究院流體物理研究所合作，在基於深度學習的自適應光學技術方麵取得重要研究進展。相關成果以“Deep learning wavefront sensing and aberration correction in atmospheric turbulence”為題在線發表於中國光學工程學會會刊《PhotoniX》（DOI: 10.1186/s43074-021-00030-4）。

圖1 基於深度學習的波前傳感方法示意圖

　　研究團隊提出了一種基於深度學習的波前傳感方法，使用卷積神經網絡直接從畸變的強度圖中恢複波前畸變相位，再使用空間光調製器等進行矯正，極大地簡化了自適應光學係統結構（見圖1）。首先，通過數值模擬對不同複雜度的樣品進行了對比分析，發現對於單一不變樣品，神經網絡的重建性能最高，隨著樣品複雜度的增加，神經網絡性能逐漸下降；使用某類樣品訓練的神經網絡對於與之相似的另一類樣品具有很好的泛化能力。隨後，對直接預測波前畸變相位和先預測澤尼克係數的兩種重建方式進行了對比分析，發現對於簡單波前畸變相位，兩種方式的精度一致；對於複雜波前畸變相位，前者的精度更高。

圖2 實驗光路圖

　　為了進一步驗證該方法的可行性，研究團隊借助實驗室湍流池模擬大氣湍流，采用數字全息光路記錄波前畸變相位作為神經網絡的輸出標準，同時記錄加載在強度型空間光調製器上的圖像作為神經網絡的輸入。訓練後的神經網絡便可以直接從變形的強度圖中恢複波前畸變相位，並使用相位型空間光調製器進行矯正（見圖2）。校正後，波前相位的標準差降為之前的1/4（見圖3），凸透鏡聚焦光斑的最大值增加到之前的2.5倍（見圖4）。

圖3 矯正前後的波前相位

圖4 矯正前後的聚焦光斑

　　最後，研究團隊在麗江天文台進行了初步的外場實驗，並得到較為滿意的結果。

　　相關研究對於開發基於深度學習而無需波前傳感器的自適應光學係統具有重要意義。

　　該論文以西北工業大學為第一作者單位，王凱強博士生和張蒙蒙博士生為共同第一作者，物理科學與技術學院趙建林教授為通信作者。