基于物理模型驱动的神经网络的OAM复值谱重建：数值模拟

摘要

[目的]轨道角动量(orbital angular momentum, OAM)高维叠加态的远场衍射图像不仅包含OAM信息，还包含远场传输信息，且图样复杂，其复值谱重建的非神经网络方法效率低，传统神经网络又需要大量训练资源.针对这一问题，对物理模型驱动训练的神经网络方法进行研究.[方法]一方面利用OAM高维叠加态的远场衍射模型生成一系列的远场衍射图像，另一方面利用该物理模型验证OAM复值谱重建结果，从而将物理模型嵌入图像的生成与重建过程，以达到降低对训练数据规模的依赖，提高训练效率的目的.[结果]仅需单次测量，通过2 000次迭代即可实现OAM复值谱重建神经网络的训练.在强度为模拟图像强度最大值的1/20的均匀噪声下，多种模拟条件下该方案重建结果均有良好效果，且在较理想模拟条件下保真度可达0.99.[结论]这为高维OAM复值谱的重建提供了一种新的思路.

关键词

OAM谱重建 / 深度学习 / 神经网络 / 物理模型驱动