上光所基于人工智能算法实现飞秒激光指向稳定提升方面取得新进展

　　图1 实验装置示意图。

　　近期，中国科学院上海光学精密机械研究所超强激光科学与技术全国重点实验室在基于人工智能算法实现飞秒激光指向抖动控制领域取得重要进展。相关成果以“Pointing jitter correction in hollow-core fiber nonlinear systems based on LSTM”为题发表于Applied Optics。

　　飞秒激光技术作为超快科学、精密制造和极端强场物理研究的关键工具，其指向稳定性是评估飞秒激光器性能的核心参数之一。环境振动、热漂移、空气扰动以及非线性效应等因素会引起指向抖动，飞秒激光在空芯光纤(Hollow-Core Fiber, HCF)等非线性系统中，由于传输过程中经历如自相位调制、自聚焦等非线性效应，使得输入与输出之间呈现高度非线性关系，传统的机械稳定系统或线性反馈机制往往难以有效应对。

　　图2 未经校正的水平(a)和竖直(b)指向稳定性。(c)指向抖动分布示意图，(d)中心点统计示意图。

　　图3 经校正的水平(a)和竖直(b)指向稳定性。(c)指向抖动分布示意图，(d)中心点统计示意图。

　　针对上述挑战，本研究创新性地构建了基于深度学习的自适应稳定架构即长短期记忆网络(Long Short-Term Memory, LSTM)模型，构建了一种三层结构的时序学习反馈系统，实验装置如图1所示。该系统在面对来自环境扰动、系统非线性以及多源耦合反馈的复合扰动时，依然可以实现高精度预测与快速校正。实验结果表明，在未校正状态下，HCF输出端激光指向在水平方向和竖直方向的RMS抖动分别为4.04和4.64 µrad，通过实时采集并进行反馈控制，指向抖动被有效抑制至0.869和0.903 µrad，稳定性大幅提升。相比传统回归模型和浅层网络，三层LSTM在预测精度与收敛性能方面表现理想，且具备良好的训练稳定性与可扩展性。本研究不仅为非线性光学系统中飞秒激光指向稳定输出提供了保障，也展示了机器学习在非线性光学系统反馈控制中的巨大潜力，为构建新一代智能化、高带宽、自适应的超快激光系统提供了理论支撑和技术途径。

　　该工作得到了国家自然科学基金、国家重点研发计划和基础研究特区计划的支持。