發(fā)布時間：2021-09-22 04:10

　　近年來,空間光調(diào)制器被廣泛應用到超快激光加工像差校正、多焦點平行加工、二維面加工、三維體加工、脈沖時空整形、結(jié)構(gòu)光加工等不同領(lǐng)域。對空間光調(diào)制器的原理進行了介紹,闡述了空間光調(diào)制器的全息圖生成算法,并著重介紹了空間光調(diào)制器在超快激光加工領(lǐng)域中的應用。 

【文章來源】：激光與光電子學進展. 2020,57(11)北大核心CSCD

【文章頁數(shù)】：15 頁

【部分圖文】：

空間光調(diào)制器原理示意圖。（a)DMD原理圖[15];(b）液晶空間光調(diào)制器示意圖，無電壓（左）和電壓高于閾值（右）[17]

通過全息圖技術(shù)可以在焦點處產(chǎn)生所需的二維光場強度分布。此類算法有多種，其中較為經(jīng)典的是GS (Gerchberg-Saxton）算法，該算法是由Gerchberg和Saxton[19]在1972年提出的一種計算全息圖的迭代算法，該算法得到的全息圖隨著迭代次數(shù)的增加而向局部最優(yōu)解收斂。后續(xù)的很多算法都是由GS算法演變而來。如圖2所示，GS算法是一個迭代算法，首先，將激光的光源場強分布和隨機相位組合作為輸入的復振幅，經(jīng)過傅里葉變換之后得到焦點處的復振幅，將其相位信息保留，強度信息用目標光場的強度替換，得到新的復振幅分布。然后進行傅里葉逆變換得到前焦面的復振幅分布，同樣保留相位信息，強度信息用激光光源的場強分布替換，接著進行下一輪的計算，如此迭代一定次數(shù)后，傅里葉逆變換之后得到的相位分布就是GS算法生成的全息圖。

基于深度學習的全息圖生成算法可以分為3步：1）制作訓練集，生成10萬張隨機的相位圖，利用菲涅耳衍射積分計算出加載了相位圖的入射光傳播一定距離z之后的光強分布；2）構(gòu)造了一個用于深度學習的神經(jīng)網(wǎng)絡(luò)，將10萬張隨機相位圖作為神經(jīng)網(wǎng)絡(luò)的輸出，傳播距離z之后的10萬張光強分布圖作為網(wǎng)絡(luò)的輸入，對神經(jīng)網(wǎng)絡(luò)進行訓練；3）將訓練好的神經(jīng)網(wǎng)絡(luò)保存下來，將目標光場強度分布輸入到神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)的輸出即為該算法所計算出的全息圖[42]。在全息圖生成中引入深度學習技術(shù)的最大優(yōu)勢是：訓練好的神經(jīng)模型具有泛化能力，輸入目標光場分布后即可直接計算得到全息圖，運算速度比傳統(tǒng)迭代算法快1～2個數(shù)量級。目前這種方法得到的全息圖只適用于二維的空間傳播光場生成，還不能運用于聚焦光場的全息圖計算。因為透鏡聚焦是傅里葉變換的過程，與空間傳播的菲涅耳衍射過程有區(qū)別，上述神經(jīng)網(wǎng)絡(luò)相當于學習了由特定相位經(jīng)過空間傳播得到特定光場強度分布的逆過程，與之相比透鏡聚焦的逆過程更難學習，到目前為止還沒有用深度學習技術(shù)生成聚焦光場全息圖的算法被提出。本課題組正在進行利用深度學習計算聚焦光場全息圖的開發(fā)探索。

【參考文獻】：
期刊論文
[1]Valence state manipulation of Sm3+ ions via a phase-shaped femtosecond laser field[J]. YE ZHENG,YUNHUA YAO,LIANZHONG DENG,WENJING CHENG,JIANPING LI,TIANQING JIA,JIANRONG QIU,ZHENRONG SUN,SHIAN ZHANG.  Photonics Research. 2018(02)
[2]加權(quán)楊-顧算法研究[J]. 顏樹華.  光子學報. 2007(03)



本文編號：3403112