基于空间光调制器的超快激光加工原理及应用

发布时间：2021-09-22 04:10

　　近年来,空间光调制器被广泛应用到超快激光加工像差校正、多焦点平行加工、二维面加工、三维体加工、脉冲时空整形、结构光加工等不同领域。对空间光调制器的原理进行了介绍,阐述了空间光调制器的全息图生成算法,并着重介绍了空间光调制器在超快激光加工领域中的应用。 

【文章来源】：激光与光电子学进展. 2020,57(11)北大核心CSCD

【文章页数】：15 页

【部分图文】：

空间光调制器原理示意图。（a)DMD原理图[15];(b）液晶空间光调制器示意图，无电压（左）和电压高于阈值（右）[17]

通过全息图技术可以在焦点处产生所需的二维光场强度分布。此类算法有多种，其中较为经典的是GS (Gerchberg-Saxton）算法，该算法是由Gerchberg和Saxton[19]在1972年提出的一种计算全息图的迭代算法，该算法得到的全息图随着迭代次数的增加而向局部最优解收敛。后续的很多算法都是由GS算法演变而来。如图2所示，GS算法是一个迭代算法，首先，将激光的光源场强分布和随机相位组合作为输入的复振幅，经过傅里叶变换之后得到焦点处的复振幅，将其相位信息保留，强度信息用目标光场的强度替换，得到新的复振幅分布。然后进行傅里叶逆变换得到前焦面的复振幅分布，同样保留相位信息，强度信息用激光光源的场强分布替换，接着进行下一轮的计算，如此迭代一定次数后，傅里叶逆变换之后得到的相位分布就是GS算法生成的全息图。

基于深度学习的全息图生成算法可以分为3步：1）制作训练集，生成10万张随机的相位图，利用菲涅耳衍射积分计算出加载了相位图的入射光传播一定距离z之后的光强分布；2）构造了一个用于深度学习的神经网络，将10万张随机相位图作为神经网络的输出，传播距离z之后的10万张光强分布图作为网络的输入，对神经网络进行训练；3）将训练好的神经网络保存下来，将目标光场强度分布输入到神经网络中，网络的输出即为该算法所计算出的全息图[42]。在全息图生成中引入深度学习技术的最大优势是：训练好的神经模型具有泛化能力，输入目标光场分布后即可直接计算得到全息图，运算速度比传统迭代算法快1～2个数量级。目前这种方法得到的全息图只适用于二维的空间传播光场生成，还不能运用于聚焦光场的全息图计算。因为透镜聚焦是傅里叶变换的过程，与空间传播的菲涅耳衍射过程有区别，上述神经网络相当于学习了由特定相位经过空间传播得到特定光场强度分布的逆过程，与之相比透镜聚焦的逆过程更难学习，到目前为止还没有用深度学习技术生成聚焦光场全息图的算法被提出。本课题组正在进行利用深度学习计算聚焦光场全息图的开发探索。

【参考文献】：
期刊论文
[1]Valence state manipulation of Sm3+ ions via a phase-shaped femtosecond laser field[J]. YE ZHENG,YUNHUA YAO,LIANZHONG DENG,WENJING CHENG,JIANPING LI,TIANQING JIA,JIANRONG QIU,ZHENRONG SUN,SHIAN ZHANG.  Photonics Research. 2018(02)
[2]加权杨-顾算法研究[J]. 颜树华.  光子学报. 2007(03)



本文编号：3403112