中国科学院南京天文光学技术研究所机构知识库

自适应光学(Adaptive Optics，AO)是一种波前校正技术，通过实时补偿在传播过程中由折射率不均匀介质引入的波前畸变，改善成像质量，在天文观测、空间目标观测、激光加工、光通信、眼科学、显微镜等领域应用广泛。AO系统主要分为基于相位补偿原理的传统AO系统和基于像清晰化原理的无波前传感器的AO系统。前者采用波前传感器实时测量波前信息，通过波前控制器将波前信息转换成控制信号，进而驱动波前校正器补偿波前畸变，因此在实时性上占优，但是系统比较复杂，造价较高，且存在非共光路误差，所以多用于天文观测和空间目标观测等对实时性要求较高、同时对系统复杂度和成本的容忍度较高的领域；后者不需要波前传感器，而是直接通过算法驱动波前校正器，以使得接收器上的像清晰度最大化，进而改善成像质量，虽然系统得到简化、成本得以降低，且可以避免非共光路误差，但是由于算法的原因，实时性能远不及传统AO系统，因此多用于对成本、体积要求严格，对实时性要求不高的显微镜领域。近年，随着人工智能的火热，出现另外一种通过电子神经网络直接从接收器上的图像恢复波前信息的无波前传感AO技术，但是依然存在校正速度慢的问题。当前的AO技术在平衡系统复杂度、成本和实时性能等方面依然面临挑战。为此，本文以全光学的衍射深度神经网络为物理框架，提出一种基于像清晰化原理的波前校正系统，称为衍射AO系统（Diffractive Adaptive Optics System，DAOS）。该系统具有全光学结构，仅包含一个成像透镜和多个在像面之前顺序排列的衍射层。在加工衍射层之前，我们以提升大气湍流下的像清晰度为目标，采用深度学习对其物理结构进行了训练和优化。在加工以及装配完成后，DAOS就能以光速执行波前校正的训练任务。本文的研究内容主要包括：
（1）通过对全光学的衍射深度神经网络的深入研究，本文将其与基于像清晰化原理的无波前传感器AO相结合，首次提出一种全光学的DAOS的概念；（2）对畸变波前通过DAOS成像的物理过程进行数学建模，搭建了用于训练的深度学习模型，并通过模拟仿真找到了既能提升像清晰度又能减少能量损失的初始结构；
（3）通过初步研究，找到了适用于能量聚焦的DAOS的设计和训练方法，模拟实验结果显示，该系统能在减少能量损失的情况下大幅提升能量聚集程度；（4）针对光通信、多目标光纤光谱巡天等需要进行自由空间光-光纤耦合的场景，本文提出了适用于自由空间光-光纤耦合的DAOS的设计和训练方法，模拟实验结果显示，该系统能在维持最佳焦比的情况下提升成像清晰度并减少能量损失，有极大潜力作为一种智能耦合系统应用于提升自由空间光的光纤耦合效率；
（5）在以上研究的基础上，本文针对适用于扩展目标的DAOS展开了试探性研究，目前的结果表明，DAOS在高分辨成像方面具有局限性，即仅在弱湍流强度且不包含倾斜像差时，有提升分辨率作用，其它条件下则不如直接成像；（6）采用3D打印制作了DAOS，并在210 GHz下对适用于能量聚焦的DAOS进行了验证实验，结果表明DAOS在减少能量损失的同时显著提升了点目标在大气湍流下成像时的能量聚集程度。另外根据项目需求，为光干涉项目设计了一个用于提升光纤耦合效率的DAOS，并通过模拟实验验证了有效性。
本论文提出一种创新性的全光学的AO系统——DAOS，与常规的AO系统相比，在校正速度、体积、结构复杂度、经济成本和能耗方面具有极大优势，且提出了分别适用于能量聚焦、自由空间光-光纤耦合以及高分辨成像等三种不同应用场景的DAOS的设计方法，为DAOS在光学加工、激光通信、多目标光纤光谱巡天、光干涉测量、高分辨成像等领域的应用提供了可能性。