基于機器學習檢測相位畸變后的渦旋光束軌道角動量

史晨寅，韋宏艷，賈鵬，岳新宇

（太原理工大學物理與光電工程學院，太原030006）

0 引言

渦旋光通信是將渦旋光束的軌道角動量（Orbital Angular Momentum，OAM）用于自由空間光通信中［1-2］，其每個光子都攜帶l? 的OAM，? 為約化普朗克常數，l是OAM 態，理論上可取?∞～+∞［3］，因此可以使通信速率數量級增加。目前，對于渦旋光束軌道角動量檢測的方法主要包括光學方法和機器學習方法。光學方法主要基于干涉和衍射原理［4-7］，針對在自由空間中傳輸的渦旋光束OAM 態，檢測范圍最高達±20，不能檢測到高范圍的渦旋光束OAM 態，并且操作復雜。利用深度學習的方法檢測渦旋光OAM 態范圍最高到110，準確率為70%［8］。然而，載有信息的渦旋光在大氣信道中傳輸時不可避免會受到大氣湍流的干擾，光束強度隨機起伏，相位發生畸變［9-12］，增加了渦旋光束軌道角動量檢測的難度。如何檢測相位畸變后渦旋光束的軌道角動量成為亟待解決的問題。2019年，WANG Zikun 等［13］應用卷積神經網絡對湍流中10 種單一的OAM 態進行研究，檢測范圍最大為10；同年SUN Ridong 等［14］從光束中分析得到三個指標的數值，結合信標光，利用支持向量機的方法可以檢測出OAM 態為60 的渦旋光束；2020年YUAN Hao 等［15］基于深度學習方法對湍流中的OAM 態進行高精度識別，但是該方法需在固定的湍流環境下才能有效判斷，并且未研究高范圍OAM 態檢測。

本文提出了基于卷積神經網絡（Convolutional Neural Networks，CNN）方法，以實現渦旋光束經過未知強度大氣湍流后的高范圍OAM 態的檢測。該方法具有較高的準確率和學習效率，無需已知湍流強度再檢測，并且能夠檢測高范圍的OAM 態，減少了通信系統元件數量，能夠為擴大通信容量提供很好的理論基礎，大大降低了系統復雜度的同時提高了渦旋光束的檢測率。……