大气湍流或生物组织等介质会引起光场波前畸变，从而导致成像系统性能严重下降。为消除波前畸变影响，通常需要使用波前传感器获取波前畸变信息，并使用变形镜或空间光调制器对波前畸变进行矫正，以获得清晰的目标图像。这种自适应光学技术被广泛应用于天文观测、自由空间光通信、眼底成像等。然而，波前传感器成本高昂，且往往需要额外的引导光源。

　　近日，西北工业大学物理科学与技术学院赵建林教授团队，与中国工程物理研究院流体物理研究所合作，在基于深度学习的自适应光学技术方面取得重要研究进展。相关成果以“Deep learning wavefront sensing and aberration correction in atmospheric turbulence”为题在线发表于中国光学工程学会会刊《PhotoniX》(DOI: 10.1186/s43074-021-00030-4)。

　　图1 基于深度学习的波前传感方法示意图

　　研究团队提出了一种基于深度学习的波前传感方法，使用卷积神经网络直接从畸变的强度图中恢复波前畸变相位，再使用空间光调制器等进行矫正，极大地简化了自适应光学系统结构(见图1)。首先，通过数值模拟对不同复杂度的样品进行了对比分析，发现对于单一不变样品，神经网络的重建性能最高，随着样品复杂度的增加，神经网络性能逐渐下降;使用某类样品训练的神经网络对于与之相似的另一类样品具有很好的泛化能力。随后，对直接预测波前畸变相位和先预测泽尼克系数的两种重建方式进行了对比分析，发现对于简单波前畸变相位，两种方式的精度一致;对于复杂波前畸变相位，前者的精度更高。

　　图2 实验光路图

　　为了进一步验证该方法的可行性，研究团队借助实验室湍流池模拟大气湍流，采用数字全息光路记录波前畸变相位作为神经网络的输出标准，同时记录加载在强度型空间光调制器上的图像作为神经网络的输入。训练后的神经网络便可以直接从变形的强度图中恢复波前畸变相位，并使用相位型空间光调制器进行矫正(见图2)。校正后，波前相位的标准差降为之前的1/4(见图3)，凸透镜聚焦光斑的最大值增加到之前的2.5倍(见图4)。

　　图3 矫正前后的波前相位

　　图4 矫正前后的聚焦光斑

　　最后，研究团队在丽江天文台进行了初步的外场实验，并得到较为满意的结果。

　　相关研究对于开发基于深度学习而无需波前传感器的自适应光学系统具有重要意义。

　　该论文以西北工业大学为第一作者单位，王凯强博士生和张蒙蒙博士生为共同第一作者，物理科学与技术学院赵建林教授为通信作者。