摘要：近日，北京理工大学付时尧、高春清团队及合作者提出了一种基于周期渐变结构超表面的智能感知方法，实现了对光子总角动量谱的精确测量。利用周期渐变结构超表面完成了对待测光束两个自旋角动量模式的同时调控，得到了与对应的轨道角动量谱构成一一映射的两个衍射光场。该课题组利用

近日，北京理工大学付时尧、高春清团队及合作者提出了一种基于周期渐变结构超表面的智能感知方法，实现了对光子总角动量谱的精确测量。利用周期渐变结构超表面完成了对待测光束两个自旋角动量模式的同时调控，得到了与对应的轨道角动量谱构成一一映射的两个衍射光场。该课题组利用卷积神经网络分析这组衍射光场强度特征与对应总角动量谱的映射关系，最终实现了最多包含34个总角动量模式光束的总角动量谱高精度测量，测量均方误差达到了10-6量级。

该项研究成果以 “Metasurface-Based Intelligent Identification of Total Angular Momentum Spectra for Beams” 为题发表在期刊ACS Photonics。北京理工大学光电学院博士研究生李浪、硕士研究生高李梁以及中国电力科学研究院程宇心博士为该论文的共同第一作者，北京理工大学光电学院付时尧教授为该论文的通讯作者。

设计思路和识别流程

该团队测量光束总角动量的方案如图1所示，待测光束通过周期渐变结构超表面调制后，在超表面的两个衍射级上分别产生两个自旋角动量本征模式对应的衍射光场，经相机接收后通过改团队设计的卷积神经网络SADT-Net进行识别，SADT-Net网络在经过大量数据集的训练后，能够从这组衍射光场的光强分布特征中识别出对应的总角动量谱。

SADT-Net网络结构和模式分布特性

在训练过程中，该研究团队探究了不同的网络深度对识别效果的影响，并统计了SADT-Net在不同总角动量模式数量以及每个总角动量模式通道的识别误差。由于网络深度往往与所识别的图像特征尺寸相关，在图像分辨率不变的情况下，测试了不同的网络深度在同一训练集和验证集上的识别误差，如图2(c)所示，确定了网络深度M，图2(a1-a2)中的一组衍射光强在经过图2(b)所示的SADT-Net识别后，网络的输出和总角动量谱的真实值在图2(d1)中展示，图2(d2)为待测光束原始光强分布。如图2(e-f),由于数据集的模式分布特性，SADT-Net在识别携带不同总角动量模式数量光束上和识别不同总角动量模式通道之间的均方误差也有所起伏。

识别系统的鲁棒性分析

为了测试SATD-Net的抗噪能力，研究团队在测试集中选取了一组衍射光斑，并展示了网络的输出与其总角动量谱真实值的对比结果。如图3 (a1-a2) 所示,在相机接收的图像上加入标准差0到0.3的高斯噪声，再由SATD-Net对这些带有不同强度高斯噪声的图像进行识别，如图3 (b1-b2) 所示，测试结果表明，SATD-Net在光斑图像存在较弱高斯噪声干扰时依然可以从中精确识别出总角动量谱。由于实验系统涉及到待测光束与周期渐变结构超表面的中心对准，因此实验过程中会不可避免地引入各种误差，研究团队探究了两种主要的对准误差：倾斜误差和旋转误差对SATD-Net识别的影响，如图3 (c1-d2) 所示，在实验系统存在较小倾斜误差和旋转误差时，SATD-Net的识别均方误差几乎不受影响，但当误差增大时，会使衍射光斑产生变形，从而会影响网络的识别，导致识别误差快速增加。

总结与展望

该研究团队提出了一种提出了一种基于周期渐变结构超表面的智能感知方法，在携带不同角动量模式数的光束上都实现了高精度识别。该方法最多能同时识别包含34个角动量态的总角动量谱，在应对相机图像采集噪声和实验系统对准误差时，均在一定范围内保持高精度识别。该方法能够为基于总角动量谱精确测量的领域如大容量光通信、量子信息处理、新型激光探测等的发展奠定基础。

科学技术的发展离不开科研仪器的进步。凯视迈（KathMatic）自2014年创建以来，一直“致力于高精尖光学测量技术”，已成为集“研发、制造、销售”为一体的国产高端光学精密测量仪器新力量。推出了KC系列多功能精密测量显微镜、KS系列超景深3D数码显微镜以及KV系列激光多普勒测振系统，取得了良好的市场成绩。详情欢迎留言咨询!

来源：凯视迈精密测量