隨著神經網絡的發展，光學神經網絡（ONN）的研究受到廣泛關注。研究人員從衍射光學、散射光、光干涉以及光學傅里葉變換等基礎理論出發，利用各種光學設備及材料成功實現了神經網絡的光學線性運算，并通過引入光學晶體、光電器件、空間光調制器等實現光學非線性激活功能，進一步優化ONN的預測及推理能力，極大地促進了光學神經網絡的發展。基于空間光調制器的靈活可編程特性，為光路的優化及實驗實現提供了較大的助力。

論文信息

軌道角動量（OAM）復用全息技術具有信息容量大、安全性高的優點，并且在全息存儲、光學加密和光學計算等方面具有重要的應用價值。然而，隨著多路復用通道數量的增加，該技術存在圖像質量的下降，限制了其應用范圍。本文提出了一種創新的設計方法，將光學衍射神經網絡（ODNN）引入OAM多路復用全息中，建立科學的圖像質量評價功能，應用端到端優化方法，并行設計OAM多路復用全息圖，顯著提高了OAM全息的圖像質量。結果表明，與經典方法相比，本文提出的ODNN方法分別提高了衍射效率29%和信噪比19%，均方誤差和方差分別降低了10%和43%。同時，通過實驗實現了高質量的多通道OAM多路復用全息技術。本文提出的設計方法為未來的OAM多路復用全息技術進一步提高信息容量和提高安全性提供了一種有效而實用的途徑。

部分實驗過程及實驗結果

實驗中采用波長為632.8nm的氦氖激光器。激光器發射的高斯光束依次經過衰減器、偏振片、透鏡1、針孔濾光器、透鏡2和孔徑后，被放大成高質量的線偏振高斯光束。經過兩臺反射式相位型空間光調制器（其中一臺為中科微星的FSLM-2K70-P02）后，最終的成像結果由工業陣列相機接收。兩臺空間光調制器的分辨率均為1920×1080，像元大小均為8μm×8μm。工業相機的分辨率為2592×2048，像元大小為4.8μm×4.8μm。兩臺SLM之間的距離，以及第二臺SLM和工業相機之間的距離，均為20cm。

圖1，基于ODNN的OAM復用全息術實驗裝置示意圖。將螺旋相位圖和OAM多路復用全息圖分別加載到SLM1和SLM2中。經過濾波和波束擴展后，相干光被SLM1調制成渦旋光束，并將其照射到SLM2上，以解碼OAM復用全息圖中相應的目標信息。最后，在相機上重建目標圖像。

圖2 基于ODNN的OAM復用全息術的物理過程示意圖。利用優化后的OAM復用全息圖重建不同渦旋光照射下的目標圖像。

圖3 基于ODNN的OAM復用全息術的神經網絡結構。利用ODNN的正向傳播過程實現OAM復用全息術的物理過程。在訓練相位中，將螺旋相位和采樣的目標圖像分別作為神經網絡的輸入和評價函數標簽。基于網絡的輸出結果，利用誤差反向傳播算法對神經網絡的結構和相位參數進行迭代優化。最后，在隱藏層得到了一個可以在不同輸入條件下重建相應目標圖像的OAM復用全息圖。

圖4 基于ODNN的OAM多路復用全息術的總體設計流程圖，其中圖2中的物理過程通過神經網絡的前向傳播過程實現。在一次迭代中，將螺旋相位圖和目標圖像輸入到ODNN中，并通過正向傳播、評價函數計算和梯度下降對AOM復用全息圖進行更新。一個訓練輪次由多次迭代組成，將訓練數據集中的每個螺旋相位圖和目標圖像輸入ODNN，迭代優化OAM多路復用全息圖。完整的訓練過程由多個輪次組成，通過監測每個輪次的平均評價函數值，即是否成像，來確定算法的收斂性。

圖5 基于ODNN的OAM多路復用全息技術的仿真結果。(a)在36個不同渦旋光束下全息重建的36個目標的歸一化光強圖像，右下角的數字表示輸入渦旋光束對應的拓撲荷數。(b)歸一化光強度圖像的數字“0”全息重建，右下角為相應的輸入螺旋相位圖，底部的插圖顯示了一個放大圖像29×29像素區域周圍一個光點重建圖像及其強度輪廓。

圖6 ODNN方法與經典方法的成像質量比較。（a-d）表示MSE，，η和SNR的比較結果。對每個指標進行模擬和計算2-36個目標量。紅線和藍線分別代表經典方法和ODNN方法的指標值。黃色條狀圖表示ODNN方法與經典方法相比性能提高的百分比。黃色虛線表示在所有目標數量上的平均性能提高的百分比。

圖7基于ODNN的OAM多路復用全息術的實驗結果。第一行表示輸入l = 3、?3、8、?8、13、?13的螺旋相位圖，第二行表示對應的模擬重建目標的歸一化光強圖像，第三行表示實驗中獲得的重建目標的歸一化光強圖像。模擬結果和實驗結果的左上角和右下角的值分別代表η（%）和信噪比SNR（數值）。

本實驗中所采用空間光調制器為我司的經典款FSLM-2K70-P02，其參數規格如下：

另外，我司推出了同款 高反射率 版空間光調制器FSLM-2K70-P02HR，反射率可達95%以上。

2K×2K高反射率&高光學利用率新品

近期，我司重磅推出了高反射率、高光學利用率系列反射式相位型空間光調制器FSLM-2K73-P02HR，方形大靶面設計、高相位線性度以及高位深的特點，提升光學利用的同時提高調制精度，為科研的發展持續助力，精益求精。

寫在最后

光學神經網絡采用光學系統執行機器學習，而空間光調制器作為一種重要的光場調控器件，應用在光學神經網絡中，具有天然的優勢，為實現并行大規模計算、超低功耗運行以及高速響應提供了巨大的潛力。光學神經網絡作為光學領域與人工智能領域的前沿交叉技術，突破傳統人工神經網絡的技術局限，有望在生物醫療、光信息通信、機器視覺等領域中得到應用和發展。