多模光纤实时模式分解的突破：基于无监督学习的DeepMD方法

作者及发表信息
本研究的通讯作者为国防科技大学前沿交叉学科学院的Pu Zhou教授团队，主要作者包括Min Jiang、Yi An、Rongtao Su等。研究成果发表于2022年7月/8月的《IEEE Journal of Selected Topics in Quantum Electronics》（卷28期4，文章编号0900207）。

学术背景
多模光纤（Multimode Fibers, MMFs）在光通信、高功率激光和成像等领域应用广泛，但其模式特性（如模式权重和相对相位）的快速精确测量一直是技术难点。传统模式分解（Mode Decomposition, MD）方法依赖迭代算法，处理速度低（如SPGD算法仅9 Hz），难以满足实时需求。现有基于监督学习的方法虽提高了速度，但面临训练数据质量依赖和相位模糊性问题。为此，团队提出首个基于无监督学习的深度模式分解方法（DeepMD），旨在实现高精度、高速度且不受模式数量影响的实时MD。

研究流程与方法
1. 问题建模
- 多模光纤中的光场可表示为特征模（如LP模）的线性叠加，其近场强度图像包含模式权重和相位信息。但仅凭近场图像存在相位模糊性（即不同相位组合可能生成相同强度图像），需通过算法解决。

1. 核心网络设计（MDNet）

   • 分解网络（DeNet）：基于改进的VGG-16架构，输入为128×128近场图像，输出为模式权重向量和相对相位向量（归一化至[-1,1]）。
     
   • 重建网络（ReNet）：无训练参数的物理模型，根据DeNet输出和已知特征模重建近场图像，通过最小化输入与重建图像的相关系数损失（Correlation Coefficient Loss）优化DeNet。
     
   • 创新点：
     
     • 无监督训练：仅需模拟生成的近场图像（10万张），无需标注数据。
       
     • 实时性：无论模式数量多少，单次预测时间恒定（模拟条件下571.4 Hz）。
       

2. 实验验证

   • 仿真测试：在3模、6模和10模场景下，平均相关系数分别达0.998、0.995和0.988，模式权重误差<2.38%，相位误差<7.8%。
     
   • 实时实验：搭建910 nm激光源与7 μm芯径MMF系统，CCD采集图像（30 Hz帧率），实测分解速率29.8 Hz（受限于CCD性能），优于监督学习的24 Hz（6模案例）。
     

主要结果与逻辑链条
1. 仿真性能
- 3模案例训练1小时即收敛（相关系数>0.99），10模案例需300小时，表明复杂度随模式数增加。但分解时间均为1.75 ms（571.4 Hz），证明方法不受模式数量影响。
- 噪声测试显示，即使在-25 dB信噪比下，6模和10模的相关系数仍保持在0.86以上，凸显算法鲁棒性。

1. 实验验证
   
   • 实际采集的1千张近场图像经MDNet处理后，平均相关系数0.896，优于监督学习的0.890。
     
   • 关键优势：无需相位选择步骤（传统方法需遍历2^N种相位组合，N为模式数），直接输出唯一解。
     

结论与价值
1. 科学价值
- 首次将无监督学习引入MD领域，解决了监督学习对标注数据的依赖和相位模糊性问题。
- 提出“物理信息重建网络”（ReNet），将光学传播模型嵌入深度学习框架，增强可解释性。

1. 应用价值
   
   • 为高功率光纤激光器的模式不稳定研究、光通信中的模式复用（MDM）等提供实时监测工具。
     
   • 框架可扩展至其他逆问题（如压缩感知、源分离）。
     

研究亮点
1. 方法创新
- 无监督端到端网络：DeNet-ReNet联合优化，避免迭代和相位选择。
- 实时性突破：模拟速度571.4 Hz，硬件限制下仍接近理论极限。

1. 技术普适性

   • 适用于任意阶模光纤，且误差随模式数增长可控（10模相位误差%）。
     

2. 开源潜力

   • 训练代码和模拟数据集可复现，为后续研究提供基准（如结合迁移学习进一步提升精度）。
     

其他价值
团队指出，未来可通过“相机在环”（camera-in-the-loop）训练或与传统迭代算法（如SPGD）结合，进一步逼近理论精度极限。这一工作为复杂光学系统的实时诊断树立了新范式。