近期，国际物理学权威期刊Physical Review Letters发表了beat365中文版官方网站beat365中文版官方网站陈险峰教授研究组的最新研究成果 “Superhigh-Resolution Recognition of Optical Vortex Modes Assisted by a Deep-Learning Method”。研究人员通过深度学习算法实现了对光学分数轨道角动量态的超分辨识别，并且基于分数轨道角动量演示了一套8 bit编码光通信体系。该论文已于2019年10月29日在线刊发，并被选为编辑推荐论文。

图1 拓扑荷间隔为0.01的光学轨道角动量识别。

第一行：加载在SLM上的相位图，l为实际拓扑荷值；第二行：采集到的涡旋光，p为识别后的预测值。

涡旋光束所携带的光学轨道角动量具有高自由度的特性，能够作为信息传输的载体，在光通信领域具有重要应用价值，是当前光物理研究的一个前沿和热门领域。在实际应用中，对不同拓扑荷的光学轨道角动量的分辨能力直接决定了对通信容量的提升程度。一些传统方法使用光学干涉仪或者衍射光栅将不同轨道角动量在横向位置分开，从而实现分辨的目的。比如目前常用的一种方案是通过坐标变换将螺旋的相位“铺平”，然后根据检测平面上不同焦点的位置分辨出不同拓扑荷的光学轨道角动量。另外一种方法则通过轨道角动量与偏振耦合效应来实现。但是，目前所有的方法均是针对拓扑荷为整数值的光学轨道角动量。随着整数值的光学轨道角动量拓扑荷的增大，中央奇点由于衍射效应会大大影响涡旋光斑的强度分布，导致光束中易分辨的相位信息难以被收集，限制了基于光学轨道角动量的光通信发展。

图2 测试集混淆矩阵。

为此，陈险峰研究组提出开发具有超精细分数轨道角动量的涡旋光束来避免上述相位奇点以及衍射效应带来的限制。研究人员通过深度学习算法处理传统方法难以实现的分辨任务，突破性地精准识别出拓扑荷间隔为0.01的光学轨道角动量，如图1所示。实验上采集了拓扑荷从1.00到1.99这100种不同的涡旋光束，每个涡旋光都赋以100个不同的初始相位状态。经由设计的卷积神经网络训练后，该方法对测试集（不参与训练的涡旋光）的识别准确率达到了98%，测试集混淆矩阵如图2所示。由于测试集中的涡旋光束都是唯一的，因此该识别结果验证了此方法对于不同初相位的旋转鲁棒性，反映出其捕捉轨道角动量一般性特征的能力。同时，研究人员以0.01的拓扑荷间隔编码了超精细的8 bit光学轨道角动量叠加态，并以此为基础演示模拟了一种自由空间信息传输方案。图3中爱因斯坦画像的每个像素都可以由一个8 bit叠加态表示，每个叠加态都由拓扑荷从2.00到1.93的8个分数轨道角动量编码而成。实验中先对所有的叠加态进行采集训练，随后将画像分解为像素序列进行通信传输，最后在接受端进行识别还原。该实验过程中数据传输的比特错误率小于0.02%，展示出了高数据保真度；并且实验过程中的系统扰动并没对结果产生影响，体现了该方法的优越性。

图3 在自由空间中使用8 bit超精细光学轨道角动量叠加态进行信息传输。

从实验图3中可以看出，8 bit数据仅占据涡旋光束强度分布的较小部分，预留了大量的可编码空间。并且该方法对光斑奇点的影响非常小，因此可以理论上编码复用无限多的轨道角动量。除此之外，基于轨道角动量的光通信过程中的光束发散、光路对准等问题也都可以得到解决。该算法本身的鲁棒性也可以在一定程度上克服实际通信中的光学扰动，具有进一步应用在光纤传输的可能。研究团队还在文中展望，随着硬件性能和计算机计算能力的提升，并且与波长复用、偏振复用等技术的结合，此方案的传输速率可以得到极大提升。这一研究为下一代基于深度学习算法的超精细轨道角动量通讯提供可能，并且该研究可进一步扩展到微波、毫米波以及太赫兹轨道角动量通讯系统中。

本论文由陈险峰教授研究组的刘海港博士后提出研究方案，并指导博士生刘展维和博士生颜硕完成了光路实验及算法实现。刘海港博士后和陈险峰教授为论文的共同通讯作者。研究工作得到了国家重点研究计划项目(项目编号No. 2017YFA0303701, 2018YFA0306301)，自然基金支持(NSFC) (项目编号No. 11734011)和上海市科学技术研究项目(项目编号 No. 17JC1400400)的资助。

原文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.123.183902