基于单幅图像的功率相关激光成丝可观测量推断研究

《IEEE Photonics Technology Letters》：Single-Image Inference of Power-Dependent Laser Filamentation Observables

　　

超快激光成丝表现出强烈的功率相关非线性演化，然而表征成丝发射轮廓通常需要完整的功率扫描，这限制了测量速度。本研究展示了一种单图像条件卷积神经网络（conditional convolutional neural network, CNN），能够从单幅多脉冲平均的侧视等离子体发射图像推断功率相关的成丝行为。利用空气中产生的飞秒成丝，训练了一个模型来预测多个具有物理意义的可观测量，包括成丝长度、等离子体发射质心位置、积分亮度与峰值亮度以及半径，并且该模型能够泛化至训练中未出现的聚焦几何配置。这种单图像推断以紧凑的数据驱动替代模型取代了耗时的功率扫描，从而能够实现快速诊断以及非线性传播机制的探索。

论文解读：基于单幅图像的功率相关激光成丝可观测量推断

一、研究背景与问题

超快高强度激光脉冲在空气中传播时，会经历强烈的非线性折射效应，驱动光束快速自聚焦并向极端强度塌缩。等离子体产生以及高阶非线性效应随后会阻止并稳定这种塌缩，形成一种动态平衡、自引导的结构，即成丝，其传播距离可远超瑞利长度，延伸至数米甚至数公里。在传播过程中，成丝会产生明亮的宽带发射，并在大气传感、远程能量沉积以及非线性光与物质相互作用的基础研究中具有重要应用价值。成丝长度、等离子体发射质心位置、发射亮度以及光束半径等关键可观测量，对脉冲能量、聚焦几何以及环境条件高度敏感。因此，实验表征通常需要对每种配置采集完整的功率相关数据集，而理论建模则需要计算量庞大的非线性传播模拟。这两种途径都限制了实验通量，并使得在不同工作模式（如使用不同聚焦透镜）下进行快速优化变得复杂。近年来，深度学习的发展为从复杂光学和等离子体图像中提取物理信息提供了新的可能性。在成丝研究领域，已有的机器学习工作表明等离子体发射图像编码了底层非线性动力学的丰富特征，能够实现起始检测和特定光谱参数推断等任务，但仍主要局限于离散预测和分类。为此，研究人员开发了一种功率和焦距条件化的卷积神经网络，能够从单幅侧视等离子体发射图像重建功率相关的成丝行为，从而消除对完整功率扫描的需求。

二、研究内容与结论

研究人员利用Pharos飞秒激光系统产生中心波长1030 nm、脉冲宽度190 fs、最大平均功率6 W、重复频率6 kHz的超快激光脉冲。准直输出光束通过焦距范围从75 mm到300 mm的平凸熔融石英透镜聚焦到环境空气中。激光功率通过内部衰减器电子控制，以最大输出的1%为步长变化至100%，覆盖所有聚焦条件下的成丝阈值和饱和区间。等离子体成丝通过Basler CMOS RGB相机正交于传播轴成像，积分时间为80 ms，在6 kHz重复频率下，每幅图像代表约480个脉冲累积的侧视等离子体发射。研究人员开发了一种条件卷积神经网络，编码器包含四个卷积阶段，滤波器数量分别为16、32、64和128，随后进行空间平均池化并生成256维全连接潜变量表示。该表示与归一化焦距和查询功率拼接后，输入包含256和128个神经元的全连接解码器，预测五个成丝可观测量。网络使用Adam优化器训练100个周期，采用单周期学习率调度。训练目标为预测与实测归一化可观测量之间的均方误差，并附加成丝长度的非负性惩罚项。模型在两个未参与训练和验证的焦距为125 mm和250 mm的透镜上进行了测试。对于每个透镜，从功率为30%时采集的单幅图像出发，通过扫描查询功率重建功率相关曲线。结果显示，对于两个未见过的透镜，模型均能再现整体的功率相关趋势，包括成丝起始、增长和饱和行为。积分亮度和RMS半径的预测尤为准确，而成丝长度和等离子体发射质心位置存在适度的但系统性的尺度与偏移偏差。重要的是，125 mm和250 mm透镜的重建曲线彼此不同，表明模型实现了透镜特定的推断而非退化为透镜平均解。定量评估中，125 mm和250 mm透镜的积分亮度RMSE分别为11.24 a.u.和8.09 a.u.，峰值亮度RMSE分别为0.0235和0.0362，等离子体发射质心位置误差分别为0.208 mm和0.115 mm，成丝长度误差分别为0.223 mm和0.123 mm，RMS半径误差分别为0.0278 mm和0.0191 mm。两个透镜平均后的范围归一化误差分别为积分亮度7.00%、峰值亮度4.36%、等离子体发射质心位置39.51%、成丝长度14.47%和RMS半径13.94%。质心位置较高的百分比误差反映了其较窄的测量范围而非较大的绝对空间误差。

三、关键技术方法

研究人员采用了以下主要技术方法：利用Pharos飞秒激光系统产生1030 nm中心波长、190 fs脉冲宽度的激光脉冲，通过不同焦距的平凸透镜聚焦产生空气成丝；采用Basler CMOS RGB相机进行正交侧视成像，以80 ms积分时间累积约480个脉冲的等离子体发射；构建条件卷积神经网络，包含四阶段卷积编码器与全连接解码器，以单幅图像结合焦距和查询功率预测五个成丝可观测量；采用透镜留出法划分数据集以评估模型对未见聚焦几何的泛化能力；使用Adam优化器配合单周期学习率调度进行网络训练，损失函数为均方误差加成丝长度非负性惩罚。

四、研究结果

实验设置与可观测量提取： 研究人员建立了飞秒激光成丝实验系统，通过不同焦距透镜聚焦激光产生等离子体成丝，并利用侧视成像获取多脉冲平均的等离子体发射图像。从灰度图像中提取了成丝长度、等离子体发射质心位置、积分亮度、峰值亮度和RMS半径五个物理可观测量，这些量随功率变化形成反映成丝起始、增长和饱和行为的功率相关曲线。

网络架构与训练策略： 研究人员设计了条件CNN架构，编码器将单幅成丝图像映射为256维潜变量表示，与归一化焦距和查询功率拼接后通过全连接解码器预测五个成丝可观测量。训练采用小批量方式，以均方误差为主要损失函数，并附加成丝长度非负性惩罚项，训练过程使用Adam优化器和单周期学习率调度。

未见透镜泛化测试： 研究人员在训练和验证中完全排除的125 mm和250 mm焦距透镜上测试了模型性能。从单幅30%功率图像出发扫描查询功率，模型成功重建了功率相关曲线，再现了成丝起始、增长和饱和的整体趋势。积分亮度和RMS半径预测尤为准确，而成丝长度和质心位置存在适度的系统性偏差。不同透镜的重建曲线明显不同，证明模型实现了透镜特定推断。

定量误差评估： 两个测试透镜的定量结果显示，积分亮度和峰值亮度的范围归一化误差分别为7.00%和4.36%，成丝长度和RMS半径误差分别为14.47%和13.94%，而质心位置误差百分比最高达39.51%，这归因于其较窄的测量范围。参考图像测试表明，使用30%、65%和90%功率下采集的参考图像进行重建可产生相似趋势，各可观测量最大变化范围有限。

五、结论

研究人员证明了功率和焦距条件化的CNN能够从单幅等离子体发射图像重建多脉冲平均的成丝可观测量，并能准确预测训练中未出现的聚焦几何配置的响应。物理误差和范围归一化误差量化了重建精度，参考图像测试表明，只要等离子体发射充分发展以支持可靠成像，从不同功率下采集的参考图像均可恢复相似的功率相关趋势。从最小实验输入中恢复功率相关演化的能力凸显了成丝图像中编码的紧凑信息，为非线性光学传播的快速表征提供了一种装置校准的数据驱动替代模型。