融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法

本发明属于人工智能与光场调控交叉应用，具体涉及一种融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法。

背景技术：

1、圆柱矢量光束包括径向偏振光和角向偏振光，对于高数值孔径(na)聚焦，径向偏振光可以聚焦到主要具有纵向偏振的超小焦斑中，而角向偏振光光束可以聚焦到具有纯横向偏振的空心焦斑中。通过对入射平面光场的振幅、相位和偏振进行调制，研究了使用径向、角向和圆柱形偏振光束的聚焦整形。已经创建了许多有趣的焦场分布，如三维平顶光场(opt.commun,2006,265,411–7)、光学针(opt.express,2010,18,4518–25)、光笼(opt.commun，2009，282,3421–5)、三维光学链(opt.lett,2005,30,848–50)、球形光斑(opt.lett,2009,34,2444–6)和光斑阵列(opt.soc.am.a,2010,27,2033–7)等。

2、之后，出现了一种新的聚焦整形方法，结合了矢量衍射理论与天线辐射理论，提出了偶极子辐射时间反演的方法，逆向设计聚焦场。这条新路线可以实现焦点区域的三维裁剪，可以获得一些具有特殊偏振状态的焦场分布，例如具有超长焦深的高纯度光学针、超长衍射受限光学管和三维平顶焦场、光学笼子、光链等。但是，目前偶极子辐射时间反演设计聚焦场存在以下两个问题：1.调参数麻烦且耗时久；2.不可灵活地构造有特定长度和形状的光笼光链。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提出一种融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，传统产生光链和光笼形状的紧聚焦场的方法大多数是基于理论和直觉，通过耗时的参数扫描和复杂的参数预选；本发明通过基于偶极子的人工神经网络对光链光笼进行逆向设计，使得产生特定形状的光针光链所需要的时间大大缩短。

2、为实现上述技术目的，本发明采用如下技术方案。

3、融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，包括以下步骤：

4、步骤s1、在高数值孔径透镜下建立物理模型，得到电、磁偶极子阵列瞳孔平面内的辐射电场其中电偶极子阵列与它的辐射场以及辐射场对应的聚焦场物理模型称为电偶极子模型，磁偶极子阵列与它的辐射场以及辐射场对应的聚焦场的物理模型称为磁偶极子模型；

5、步骤s2、将步骤s1中的电、磁偶极子阵列参数在合适范围内遍历取值，得到对应的辐射电场作为入射场，再经过高数值孔径透镜，得到聚焦电场并计算聚焦场的强度ir；之后分步计算电、磁偶极子的辐射反转的聚焦场提取电偶极子聚焦场位于x-z平面中x＝0λ处的强度分布以及磁偶极子聚焦场位于x-z平面中x＝0.33λ处的强度分布；

6、步骤s3、搭建两个全连接神经网络用于分别预测电偶极子和磁偶极子，以步骤s2中提取的电偶极子聚焦场位于x-z平面中x＝0λ处的强度分布和磁偶极子聚焦场位于x-z平面中x＝0.33λ处的强度分布分别作为两个神经网络的输入，对搭建的两个神经网络进行训练，保存训练后的两个神经网络；

7、步骤s4、利用电、磁偶极子模型的辐射时间反演在聚焦区域形成光场分布x位置的不同，独立地预设电、磁偶极子模型的聚焦场，将这两种预设的聚焦场的特征分别用不同x位置处的沿z轴的轴上强度数值表征并作为预测输入，使用步骤s3保存的神经网络进行预测，得到预测出的两种聚焦场，再将二者聚焦场叠加，得到光笼和光链形状的聚焦场；通过调节用于预测的沿z轴的轴上强度分布，重复上述聚焦场的预测和叠加过程，完成对紧聚焦场结构的调控。

8、步骤s1中所述电、磁偶极子阵列瞳孔平面内的辐射电场具体为：

9、

10、

11、

12、其中，分别表示电、磁偶极子辐射电场；ce、cm分别表示电、磁偶极子辐射阵列因子；aen、den、βen与amn、dmn、βmn分别是电、磁偶极子参数。

13、步骤s2中所述聚焦电场具体为：

14、

15、其中，θmax＝sin-1(na)，为的球坐标系表达形式，具体关系式为：

16、

17、其中，为笛卡尔坐标系x、y、z方向的单位矢量。

18、具体的，步骤s2中所述聚焦场的强度

19、步骤s2所述分步计算电、磁偶极子的辐射反转的聚焦场提取电偶极子聚焦场位于x-z平面中x＝0λ处的强度分布以及磁偶极子聚焦场位于x-z平面中x＝0.33λ处的强度分布，具体方法为：令公式(4)中积分的柱坐标系中的r＝0和ф＝0，以实现电偶极子聚焦场的轴上强度x＝0λ的提取，令公式(4)中积分的柱坐标系中的r＝0.33和ф＝0，以实现磁偶极子聚焦场的轴上强度x＝0.33λ的提取。

20、步骤s3所述对搭建的两个神经网络进行训练，神经网络训练是通过基于均方误差mse函数的随机固定步长的梯度下降进行的，该函数用于评估训练过程中的预测质量，使用python中的pytorch库构建神经网络，神经网络由输入层，隐藏层和输出层组成，激活函数为sigmoid函数，训练次数epoch设置为500，学习率设置为0.0001。

21、步骤s4所述利用电、磁偶极子模型的辐射时间反演在聚焦区域形成光场分布位置的不同，独立地预设电、磁偶极子模型的聚焦场，再将二者光场叠加，得到光笼和光链形状的聚焦场，具体过程如下：用现有的数学函数拟合预设的电、磁偶极子模型聚焦场的轴上强度分布，依次作为s3保存的两个神经网络的输入。得到输出的电和磁偶极子参数，用matlab仿真得到电和磁偶极子模型的预测聚焦场。用数学函数描述预设的聚焦场轴上强度分布，并对数学函数作变化以实现对紧聚焦场结构的调控。

22、需要说明的是，上述技术方案中，所述高数值孔径透镜，透镜数值等于1；步骤s3所搭建的神经网络，输入层是101独立因子，输出层是6个参数变量。

23、与现有技术相比，本发明具有以下有益效果：

24、1、无需耗时的参数扫描和复杂的参数预选；

25、2、采用全连接神经网络，实现高效快速产生特定形状的光链光笼的紧聚焦场的偶极子参数预测。

26、3、本发明采用的技术为数值优化方案中的通用性提供重要的理论和指导意义。

技术特征：

1.融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，步骤s1中所述电、磁偶极子阵列瞳孔平面内的辐射电场具体为：

3.根据权利要求1所述的融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，步骤s2中所述聚焦电场具体为：

4.根据权利要求1所述的融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，步骤s2中所述聚焦场的强度

5.根据权利要求1所述的融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，步骤s2所述分步计算电、磁偶极子的辐射反转的聚焦场提取电偶极子聚焦场位于x-z平面中x＝0λ处的强度分布以及磁偶极子聚焦场位于x-z平面中x＝0.33λ处的强度分布，具体方法为：令公式(4)中积分的柱坐标系中的r＝0和ф＝0，以实现电偶极子聚焦场的轴上强度x＝0λ的提取，令公式(4)中积分的柱坐标系中的r＝0.33和ф＝0，以实现磁偶极子聚焦场的轴上强度x＝0.33λ的提取。

6.根据权利要求1所述的融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，步骤s3所述对搭建的两个神经网络进行训练，神经网络训练是通过基于均方误差mse函数的随机固定步长的梯度下降进行的，该函数用于评估训练过程中的预测质量，使用python中的pytorch库构建神经网络，神经网络由输入层，隐藏层和输出层组成，激活函数为sigmoid函数，训练次数epoch设置为500，学习率设置为0.0001。

7.根据权利要求1所述的融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，步骤s1中所述高数值孔径透镜，透镜数值等于1。

8.根据权利要求1所述的融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，其特征在于，步骤s3中所搭建的神经网络，输入层是101独立因子，输出层是6个参数变量。

技术总结
本发明公开了一种融合偶极子辐射模型&人工神经网络的紧聚焦场调控方法，属于人工智能与光场调控交叉应用领域。对具有预设形状的光链和光笼的逆向设计，允许创建接近期待形状的光链和光笼。利用电、磁偶极子模型的辐射时间反演在聚焦区域形成光场分布位置的不同，可以独立地预设电、磁偶极子模型的聚焦场，再将二者光场叠加，最终实现光笼和光链形状的聚焦场。为解决灵活地实现具有不同长度和形状的光场结构，电、磁偶极子模型的相关参数使用全连接神经网络训练获取。本发明中使用到的装置简易，生成的光链和光笼形状的聚焦场可以应用于多粒子捕获、输送和组装。

技术研发人员：鄢伟超,肖睿民,王志远,周佳,唐荣欣
受保护的技术使用者：南昌大学
技术研发日：
技术公布日：2024/3/4