小鸭看看

近日，小鸭看看 光场调控与智能光子学团队在自聚焦光束的神经网络逆向设计研究中取得进展，相关成果已被《Optics and Laser Technology》（JCR物理一区Top）和《Optics Communications》（本科生一作、JCR物理二区）期刊接收发表，题目分别为“Inverse design and performance prediction of autofocusing beams using deep learning”和“Optical trapping force exploration on Mie particles for structured light via multivariate sensitivity analysis and deep learning”。

自聚焦光束是结构光场光镊中常用的光束，为了提高结构光场光镊的性能，研究人员通常需要大量的模拟仿真计算和实验验证来确定光束的具体结构参数，以增强光镊系统的捕获能力。然而，对自聚焦光束的精细设计需要对更多的结构参数进行优化，这使得通过人工方法找到高维度参数空间中的最优解变得愈发困难。深度神经网络为复杂结构光的快速优化提供了新方案。

研究提出了一种基于深度学习的自会聚光束逆向设计和性能预测方法。通过计算艾里光束在空间中的自聚焦传播特性，建立光束结构参数与性能参数之间的映射。根据所需的焦距、焦点强度和最大光力，以及光束结构参数，如横向比例因子、空间偏移因子和指数衰减因子等，搭建了一个深度学习模型来逆向设计自聚焦光束，设计一组结构参数的平均时间不到35毫秒，其精度可达97.9%。进一步，用艾里光束在源面上的强度分布代替性能参数作为深度学习模型的输入，使得这一模型能够推广到包括艾里光束在内的其他结构光场中去。

本研究不仅探索了“AI+结构光场”在自聚焦光束逆向设计上的应用，而且克服了传统方法在结构光场设计中的局限性，取得了逆向设计精度与设计速度的双突破。

图3 （a）神经网络模型结构；（b）CAB逆向设计流程。

工作得到了国家自然科学基金、广西自然科学基金等项目资助。

论文作者：魏子韬（硕士生），陆小芳（硕士生），余家灏（本科生），洪佩龙（通讯作者），任煜轩（通讯作者），梁毅（通讯作者）。

论文链接：//doi.org/10.1016/j.optlastec.2025.114308

论文作者：余家灏（本科生），冯迷（本科生），郭彩霞（本科生），黎宝升（本科生），陆小芳（硕士生），魏子韬（硕士生），梁毅（通讯作者）。

论文链接：//doi.org/10.1016/j.optcom.2025.132383